論文の概要: A Two-Stage Masked LM Method for Term Set Expansion
- arxiv url: http://arxiv.org/abs/2005.01063v1
- Date: Sun, 3 May 2020 12:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 06:31:39.795042
- Title: A Two-Stage Masked LM Method for Term Set Expansion
- Title(参考訳): 項集合展開のための二段階マスクlm法
- Authors: Guy Kushilevitz, Shaul Markovitch, Yoav Goldberg
- Abstract要約: 用語集合拡張(TSE:Term Set Expansion): 意味クラスからサンプル項の小さなシードセットが与えられ、そのクラスのより多くのメンバが見つかる。
パターンベースと分布的アプローチを組み合わせた新しいTSEアルゴリズムを提案する。
提案手法は最先端のTSEアルゴリズムより優れている。
- 参考スコア(独自算出の注目度): 50.59278236410461
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We tackle the task of Term Set Expansion (TSE): given a small seed set of
example terms from a semantic class, finding more members of that class. The
task is of great practical utility, and also of theoretical utility as it
requires generalization from few examples. Previous approaches to the TSE task
can be characterized as either distributional or pattern-based. We harness the
power of neural masked language models (MLM) and propose a novel TSE algorithm,
which combines the pattern-based and distributional approaches. Due to the
small size of the seed set, fine-tuning methods are not effective, calling for
more creative use of the MLM. The gist of the idea is to use the MLM to first
mine for informative patterns with respect to the seed set, and then to obtain
more members of the seed class by generalizing these patterns. Our method
outperforms state-of-the-art TSE algorithms. Implementation is available at:
https://github.com/ guykush/TermSetExpansion-MPB/
- Abstract(参考訳): 用語集合拡張(TSE:Term Set Expansion)というタスクに取り組み、セマンティッククラスからサンプル項の小さなシードセットを与えられ、そのクラスのより多くのメンバを見つけます。
このタスクは非常に実用的であり、少数の例から一般化する必要があるため、理論的にも有用である。
TSEタスクに対する従来のアプローチは、分散的あるいはパターンベースとして特徴付けられる。
我々は,ニューラルマスク言語モデル(MLM)のパワーを活用し,パターンベースと分布的アプローチを組み合わせた新しいTSEアルゴリズムを提案する。
シードセットのサイズが小さいため、微調整法は効果がなく、より創造的なMLMの使用を要求される。
アイデアの要点は、まずMLMを用いて、シードセットに関する情報的パターンを抽出し、これらのパターンを一般化して、シードクラスのより多くのメンバーを取得することである。
提案手法は最先端のTSEアルゴリズムより優れている。
実装は以下の通りである。 https://github.com/ guykush/TermSetExpansion-MPB/
関連論文リスト
- Meta-Task Prompting Elicits Embedding from Large Language Models [57.50329659098592]
本稿では,新しい教師なし埋め込み手法であるMeta-Task Prompting with Explicit One-Word Limitationを提案する。
モデル微調整やタスク固有のエンジニアリングを必要とせずに、大規模言語モデルから高品質な文の埋め込みを生成する。
実験により, 各種メタタスクから平均化された埋め込みは, セマンティックテキスト類似度ベンチマーク上での競合性能を示すことを示した。
本研究は, 埋込抽出のための多用途, 資源効率のよい手法を提供する, 埋込生成のための新しいスケーリング法則を示唆する。
論文 参考訳(メタデータ) (2024-02-28T16:35:52Z) - Inherently Interpretable Time Series Classification via Multiple
Instance Learning [3.3334164733803906]
我々はMILLET: Multiple Instance Learning for Locally Explainable Time Series Classificationを提案する。
我々は,MILLETが予測性能を損なうことなく,本質的に解釈可能であることを示す。
我々の知る限り、MILLET を用いた研究は、初めて TSC の汎用 MIL メソッドを開発し、それらを様々な分野に適用した。
論文 参考訳(メタデータ) (2023-11-16T17:45:37Z) - Scaling Sentence Embeddings with Large Language Models [43.19994568210206]
本研究では,文埋め込み性能の向上を目的としたテキスト内学習手法を提案する。
提案手法では,従来のプロンプトに基づく表現手法を自己回帰モデルに適用する。
モデルサイズをスケールすることで、数千億以上のパラメータへのスケーリングが意味的なテキスト類似性タスクのパフォーマンスを損なうことが分かる。
論文 参考訳(メタデータ) (2023-07-31T13:26:03Z) - How to Train Your MAML to Excel in Few-Shot Classification [26.51244463209443]
そこで本研究では,MAMLの訓練方法について紹介する。
我々のアプローチはUNICORN-MAMLと呼ばれ、最先端のアルゴリズムに匹敵する、あるいは性能に優れる。
論文 参考訳(メタデータ) (2021-06-30T17:56:15Z) - Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and
Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。
既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。
本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-09T08:47:58Z) - How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。
我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。
この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文 参考訳(メタデータ) (2021-05-05T17:56:00Z) - Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。
本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。
この利点を実用的に活用できるメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-30T12:02:14Z) - Encoder-Decoder Models Can Benefit from Pre-trained Masked Language
Models in Grammatical Error Correction [54.569707226277735]
従来の方法はEncDecモデルに適用した場合に潜在的な欠点がある。
提案手法では, コーパスを微調整し, GECモデルに付加的な特徴として出力を微調整する。
BEA 2019とCoNLL-2014ベンチマークにおける最高のパフォーマンスモデルのパフォーマンス。
論文 参考訳(メタデータ) (2020-05-03T04:49:31Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。