論文の概要: Understanding scholarly Natural Language Processing system diagrams through application of the Richards-Engelhardt framework

• arxiv url: http://arxiv.org/abs/2008.11785v1
• Date: Wed, 26 Aug 2020 20:06:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 20:54:48.176705
• Title: Understanding scholarly Natural Language Processing system diagrams through application of the Richards-Engelhardt framework
• Title（参考訳）: Richards-Engelhardtフレームワークを用いた学術自然言語処理系図の理解
• Authors: Guy Clarke Marshall, Caroline Jay and Andr\'e Freitas
• Abstract要約: ダイアグラムにおける視覚的エンコーディング原則の不整合や誤用について、複数符号化、半可変性、語彙を記述するために語彙を論じる。 本稿では,新しいビジュアルエンコーディングの原則として"Grouping by Object",新しいビジュアルエンコーディングのタイプとして"Emphasising"を提案する。
• 参考スコア（独自算出の注目度）: 5.064404027153093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We utilise Richards-Engelhardt framework as a tool for understanding Natural Language Processing systems diagrams. Through four examples from scholarly proceedings, we find that the application of the framework to this ecological and complex domain is effective for reflecting on these diagrams. We argue for vocabulary to describe multiple-codings, semiotic variability, and inconsistency or misuse of visual encoding principles in diagrams. Further, for application to scholarly Natural Language Processing systems, and perhaps systems diagrams more broadly, we propose the addition of "Grouping by Object" as a new visual encoding principle, and "Emphasising" as a new visual encoding type.
• Abstract（参考訳）: 我々は自然言語処理システム図を理解するツールとしてrichards-engelhardtフレームワークを利用する。 学術的手続きから得られた4つの例を通して、この生態的かつ複雑な領域へのフレームワークの適用は、これらの図を反映するのに有効であることを見出した。 我々は、複数のコーディング、記号的可変性、および図中の視覚的エンコーディング原理の不整合または誤用を記述する語彙を議論する。 さらに, 学術的な自然言語処理システム, 多分システム図への応用のために, 新たなビジュアルエンコーディング原理として「オブジェクトによるグループ化」, 新たなビジュアルエンコーディングタイプとして「強調」を加えることを提案する。

関連論文リスト

• Finding structure in logographic writing with library learning [55.63800121311418]
  書記システムにおける構造を発見するための計算フレームワークを開発する。 我々の枠組みは中国語の表記体系における既知の言語構造を発見する。 図書館学習のアプローチが、人間の認知における構造の形成の基盤となる基本的な計算原理を明らかにするのにどのように役立つかを実証する。
  論文  参考訳（メタデータ） (2024-05-11T04:23:53Z)
• Hierarchical Text-to-Vision Self Supervised Alignment for Improved Histopathology Representation Learning [64.1316997189396]
  病理組織像のための新しい言語型自己教師学習フレームワーク,階層型言語型自己監督(HLSS)を提案する。 その結果,OpenSRH と TCGA の2つの医用画像ベンチマークにおいて,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2024-03-21T17:58:56Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• Contextualized word senses: from attention to compositionality [0.10878040851637999]
  本稿では,文脈感覚を符号化する透過的,解釈可能,言語的に動機づけられた戦略を提案する。 特に依存関係や選択選好やパラダイムクラスといった意味概念に注意が向けられる。
  論文  参考訳（メタデータ） (2023-12-01T16:04:00Z)
• Retrieval-Augmented Code Generation for Universal Information Extraction [66.68673051922497]
  情報抽出は、自然言語テキストから構造的知識を抽出することを目的としている。 本稿では,Large Language Models(LLMs)に基づく汎用検索拡張コード生成フレームワークを提案する。 Code4UIEはPythonクラスを採用し、様々な構造的知識のタスク固有のスキーマを普遍的に定義する。
  論文  参考訳（メタデータ） (2023-11-06T09:03:21Z)
• Multimodal Search on Iconclass using Vision-Language Pre-Trained Models [18.028251241529578]
  本稿では,最も広く使用されている図形分類システムであるIconclassに対する新しい検索エンジンの実装について述べる。 このシステムの新規性は、事前訓練された視覚言語モデル、すなわちCLIPを使用して、ビジュアルクエリやテキストクエリを使用して、Iconclassの概念を検索し、探索することである。
  論文  参考訳（メタデータ） (2023-06-23T11:12:48Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)
• Learning Graph Embeddings for Compositional Zero-shot Learning [73.80007492964951]
  合成ゼロショット学習では、観察された視覚的原始状態の見えない構成を認識することが目的である。 本稿では,画像特徴と視覚的プリミティブの潜在表現をエンドツーエンドに学習するCGEという新しいグラフ定式化を提案する。 概念間のセマンティクスを符号化する共同互換性を学習することにより、WordNetのような外部知識ベースに頼ることなく、構成を見えないように一般化することができる。
  論文  参考訳（メタデータ） (2021-02-03T10:11:03Z)
• Learning with Molecules beyond Graph Neural Networks [14.63152363481139]
  グラフニューラルネットワークと類似したモデルが,関係論理の基底となる伝搬規則を規定することにより,フレームワーク内で容易にカバーできることを示す。 使用する言語の宣言的性質により、伝搬スキームを複雑な構造に容易に変更および拡張することができる。
  論文  参考訳（メタデータ） (2020-11-06T17:42:42Z)

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。