Fugu-MT 論文翻訳(概要): ShanghaiTech at MRP 2019: Sequence-to-Graph Transduction with Second-Order Edge Inference for Cross-Framework Meaning Representation Parsing

論文の概要: ShanghaiTech at MRP 2019: Sequence-to-Graph Transduction with Second-Order Edge Inference for Cross-Framework Meaning Representation Parsing

arxiv url: http://arxiv.org/abs/2004.03849v1
Date: Wed, 8 Apr 2020 07:19:18 GMT
ステータス: 処理完了
システム内更新日: 2022-12-15 08:45:30.705733
Title: ShanghaiTech at MRP 2019: Sequence-to-Graph Transduction with Second-Order Edge Inference for Cross-Framework Meaning Representation Parsing
Title（参考訳）: ShanghaiTech at MRP 2019: Sequence-to-Graph Transduction with Second-order Edge Inference for Cross-Framework Meaning Representation Parsing
Authors: Xinyu Wang, Yixian Liu, Zixia Jia, Chengyue Jiang, Kewei Tu
Abstract要約: 本システムは,ノードを生成する拡張ポインタジェネレータネットワークと,エッジを予測する2階平均場変動推定モジュールを組み合わせたグラフベースである。本システムでは,フレーム内におけるDMフレームワークとPSDフレームワークのnth1とnth2をそれぞれ達成し,フレーム間におけるDMフレームワークのnth3を達成した。
参考スコア（独自算出の注目度）: 26.040514839110386
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the system used in our submission to the \textit{CoNLL 2019 shared task: Cross-Framework Meaning Representation Parsing}. Our system is a graph-based parser which combines an extended pointer-generator network that generates nodes and a second-order mean field variational inference module that predicts edges. Our system achieved \nth{1} and \nth{2} place for the DM and PSD frameworks respectively on the in-framework ranks and achieved \nth{3} place for the DM framework on the cross-framework ranks.
Abstract（参考訳）: 本稿では, \textit{conll 2019 shared task: cross-framework meaning representation parsing} に提案するシステムについて述べる。本システムは,ノードを生成する拡張ポインタ生成ネットワークと,エッジ予測を行う2次平均場変動推論モジュールを組み合わせたグラフベースパーサである。本システムでは,フレーム内におけるDMフレームワークとPSDフレームワークでそれぞれ,nth{1} と \nth{2} を達成し,フレーム間におけるDMフレームワークでは \nth{3} を達成した。

関連論文リスト

Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
Graph Contrastive Learning for Skeleton-based Action Recognition [85.86820157810213]
骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。 SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。 SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
論文参考訳（メタデータ） (2023-01-26T02:09:16Z)
A Double-Graph Based Framework for Frame Semantic Parsing [23.552054033442545]
フレーム意味解析は基本的なNLPタスクであり、フレーム識別、引数識別、ロール分類という3つのサブタスクから構成される。これまでのほとんどの研究は、異なるサブタスクと議論の関係を無視し、オントロジ的なフレーム知識にはほとんど注意を払わない傾向にある。本稿では、二重グラフ(KID)を用いた知識誘導型セマンティックPKを提案する。実験の結果、KIDは2つのFrameNetデータセット上で1.7F1スコアで従来の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2022-06-18T09:39:38Z)
A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文参考訳（メタデータ） (2022-02-07T14:37:50Z)
A Graph-Based Neural Model for End-to-End Frame Semantic Parsing [12.43480002133656]
本稿では,フレーム意味解析タスクを協調的に行うために,エンドツーエンドのニューラルモデルを提案する。本稿では,グラフ構築問題として,フレームセマンティック解析に関するグラフベースの手法を利用する。フレーム・セマンティック・パーシングのベンチマーク・データセットの実験結果から,本手法の競争力が高いことが示された。
論文参考訳（メタデータ） (2021-09-25T08:54:33Z)
GP-S3Net: Graph-based Panoptic Sparse Semantic Segmentation Network [1.9949920338542213]
GP-S3Netは提案なしのアプローチであり、オブジェクトを識別するためにオブジェクトの提案は必要ない。私たちの新しいデザインは、セマンティックな結果を処理する新しいインスタンスレベルのネットワークで構成されています。 GP-S3Netは現在の最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2021-08-18T21:49:58Z)
Adversarial Linear Contextual Bandits with Graph-Structured Side Observations [80.95090605985042]
学習エージェントは、$d$-dimensionalコンテキストベクトルで提示された後、一連の$k$アクションから繰り返し選択する。エージェントは選択されたアクションの損失を誘発し、観察するが、観察構造における隣り合うアクションの損失も観察する。 textttEXP3に基づく2つの効率的なアルゴリズムが開発された。
論文参考訳（メタデータ） (2020-12-10T15:40:07Z)
Encoding Syntactic Constituency Paths for Frame-Semantic Parsing with Graph Convolutional Networks [4.716034416800441]
本研究では, フレーム・セマンティック・パーシング・サブタスクにおいて, 構成木からの構文情報をニューラルモデルに統合する問題について検討する。グラフ畳み込みネットワークを用いて、各構成成分が対応する生産文法規則としてプロファイルされるような構成成分の特定の表現を学習する。我々はこれらの表現を利用して文中の各単語の構文的特徴を構築し、単語と木内のタスク固有ノードの間の経路上のすべての構成要素の和として計算する。
論文参考訳（メタデータ） (2020-11-26T10:10:57Z)
Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
論文参考訳（メタデータ） (2020-08-04T08:25:24Z)
Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
論文参考訳（メタデータ） (2020-07-19T15:26:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。