論文の概要: GM-CTSC at SemEval-2020 Task 1: Gaussian Mixtures Cross Temporal
Similarity Clustering
- arxiv url: http://arxiv.org/abs/2005.09946v1
- Date: Wed, 20 May 2020 10:14:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 04:39:02.516092
- Title: GM-CTSC at SemEval-2020 Task 1: Gaussian Mixtures Cross Temporal
Similarity Clustering
- Title(参考訳): GM-CTSC at SemEval-2020 Task 1: Gaussian Mixtures Cross Temporal similarity Clustering
- Authors: Pierluigi Cassotti, Annalina Caputo, Marco Polignano, Pierpaolo Basile
- Abstract要約: 本稿では,SemEval-2020 Task 1: Unsupervised Lexical Semantic Change Detectionを提案する。
時間的単語埋め込みによって得られた単語の意味を考慮し,対象単語が獲得されたり,ゆるんだりした感覚を検知するための教師なし手法について検討する。
- 参考スコア(独自算出の注目度): 1.5962515374223873
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper describes the system proposed for the SemEval-2020 Task 1:
Unsupervised Lexical Semantic Change Detection. We focused our approach on the
detection problem. Given the semantics of words captured by temporal word
embeddings in different time periods, we investigate the use of unsupervised
methods to detect when the target word has gained or loosed senses. To this
end, we defined a new algorithm based on Gaussian Mixture Models to cluster the
target similarities computed over the two periods. We compared the proposed
approach with a number of similarity-based thresholds. We found that, although
the performance of the detection methods varies across the word embedding
algorithms, the combination of Gaussian Mixture with Temporal Referencing
resulted in our best system.
- Abstract(参考訳): 本稿では,SemEval-2020 Task 1: Unsupervised Lexical Semantic Change Detectionを提案する。
私たちは検出問題にアプローチを集中した。
時間的単語埋め込みによって捉えられた単語の意味を考慮し,対象単語がいつ獲得されたか,あるいはゆるめたかを検出するための教師なし手法について検討する。
この目的のために、我々はガウス混合モデルに基づく新しいアルゴリズムを定義し、2つの周期で計算された目標類似性をクラスタリングした。
提案手法を類似度に基づくしきい値と比較した。
検出手法の性能は単語埋め込みアルゴリズムによって異なるが,ガウス混合とテンポラル参照の組み合わせにより,最高のシステムが得られることがわかった。
関連論文リスト
- Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。
本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
論文 参考訳(メタデータ) (2024-06-04T14:19:50Z) - Clustering of timed sequences -- Application to the analysis of care pathways [0.0]
ケアパスの均質なグループを探索することは、クラスタリングによって達成できる。
タイムスタンプされたイベントのシーケンスで表されるクラスタリングケアパスの難しさは、意味的に適切なメトリックとクラスタリングアルゴリズムを定義することである。
本稿では,Drop-DTW メトリックと DBA アプローチという,時系列から時系列へ展開する2つの手法を,平均時間列の構築に適用する。
論文 参考訳(メタデータ) (2024-04-23T07:16:13Z) - Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。
融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。
我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
論文 参考訳(メタデータ) (2023-08-19T09:12:13Z) - Generalized Time Warping Invariant Dictionary Learning for Time Series
Classification and Clustering [8.14208923345076]
動的時間ワープ(DTW)は、時間的遅延、スケーリング、変換、その他多くの時間的ミスアライメント問題を扱うために一般的に使用される。
本稿では,時変不変辞書学習アルゴリズムを提案する。
辞書学習,分類,クラスタリングの観点から,提案手法の優位性を10組の公開データセットを用いて検証した。
論文 参考訳(メタデータ) (2023-06-30T14:18:13Z) - Semi-supervised Community Detection via Structural Similarity Metrics [0.0]
本研究では,新しいノードのコミュニティラベルを推定することを目的とした,半教師付きコミュニティ検出問題について検討する。
本稿では,新しいノードとK$コミュニティ間の構造的類似度メトリック'を計算するアルゴリズムを提案する。
我々の知る限りでは、理論的な保証を提供する最初の半教師付きコミュニティ検出アルゴリズムである。
論文 参考訳(メタデータ) (2023-06-01T19:02:50Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳(メタデータ) (2022-05-13T21:09:41Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳(メタデータ) (2021-06-11T13:03:33Z) - Copula Quadrant Similarity for Anomaly Scores [0.0]
複数の異常検出アルゴリズムのスコアを関連付けるためのフレームワークを提案する。
一対のアルゴリズムは、最も高いスコアをほぼ同じ観測値に割り当てる場合に類似するように定義されている。
提案手法は,異常検出アルゴリズムのクラスタを検出し,高精度でロバストなアンサンブルアルゴリズムを実現することを実証する。
論文 参考訳(メタデータ) (2021-01-07T02:19:36Z) - SChME at SemEval-2020 Task 1: A Model Ensemble for Detecting Lexical
Semantic Change [58.87961226278285]
本稿では,SemEval-2020 Task 1における語彙意味変化の教師なし検出法であるSChMEについて述べる。
SChMEは、分布モデル(単語埋め込み)とワード周波数モデルの信号を組み合わせたモデルアンサンブルを使用し、各モデルは、その特徴に応じて単語が苦しむ確率を示す投票を行う。
論文 参考訳(メタデータ) (2020-12-02T23:56:34Z) - UiO-UvA at SemEval-2020 Task 1: Contextualised Embeddings for Lexical
Semantic Change Detection [5.099262949886174]
本稿では,時とともに意味的ドリフトの度合いで単語をランク付けするSubtask 2に焦点を当てた。
最も効果的なアルゴリズムは、平均的なトークン埋め込みとトークン埋め込み間のペア距離のコサイン類似性に依存する。
論文 参考訳(メタデータ) (2020-04-30T18:43:57Z)
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。