論文の概要: PNEL: Pointer Network based End-To-End Entity Linking over Knowledge
Graphs
- arxiv url: http://arxiv.org/abs/2009.00106v1
- Date: Mon, 31 Aug 2020 21:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 06:35:32.995724
- Title: PNEL: Pointer Network based End-To-End Entity Linking over Knowledge
Graphs
- Title(参考訳): PNEL: ポインタネットワークに基づく知識グラフ上のエンドツーエンドエンティティリンク
- Authors: Debayan Banerjee, Debanjan Chaudhuri, Mohnish Dubey, Jens Lehmann
- Abstract要約: 本稿では、人気のあるPointer Networkモデルを適用して、エンド・ツー・エンドのELに新しいアプローチを提案する。
ウィキデータ知識グラフ(Wikidata Knowledge Graph)の3つのデータセットに対する評価でこれを実証する。
- 参考スコア(独自算出の注目度): 7.707614566410955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Question Answering systems are generally modelled as a pipeline consisting of
a sequence of steps. In such a pipeline, Entity Linking (EL) is often the first
step. Several EL models first perform span detection and then entity
disambiguation. In such models errors from the span detection phase cascade to
later steps and result in a drop of overall accuracy. Moreover, lack of gold
entity spans in training data is a limiting factor for span detector training.
Hence the movement towards end-to-end EL models began where no separate span
detection step is involved. In this work we present a novel approach to
end-to-end EL by applying the popular Pointer Network model, which achieves
competitive performance. We demonstrate this in our evaluation over three
datasets on the Wikidata Knowledge Graph.
- Abstract(参考訳): 質問応答システムは一般に一連のステップからなるパイプラインとしてモデル化される。
このようなパイプラインでは、エンティティリンク(EL)が最初のステップになることが多い。
いくつかのELモデルはまずスパン検出を行い、それからエンティティの曖昧さを解消する。
このようなモデルでは、スパン検出フェーズカスケードから後のステップへのエラーが発生し、全体的な精度が低下する。
さらに、トレーニングデータにおける金の実体の欠如は、スパン検出器トレーニングの制限要因である。
したがって、エンドツーエンドのelモデルへの動きは、個別のスパン検出ステップが関与しないところから始まった。
本稿では,競争性能の高いポインターネットワークモデルを用いて,エンド・ツー・エンドのELに新たなアプローチを提案する。
我々はウィキデータナレッジグラフ上で3つのデータセットについて評価を行った。
関連論文リスト
- Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳(メタデータ) (2023-05-22T13:48:30Z) - Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。
まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。
センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
論文 参考訳(メタデータ) (2023-02-24T22:14:39Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - SpanProto: A Two-stage Span-based Prototypical Network for Few-shot
Named Entity Recognition [45.012327072558975]
名前付きエンティティ認識(NER)は、アノテーション付きデータが少ない名前付きエンティティを識別することを目的としている。
そこで本研究では,2段階のアプローチを用いて,数発のNERに対処するセミナルスパンベースプロトタイプネットワーク(SpanProto)を提案する。
スパン抽出の段階では、逐次タグを大域境界行列に変換し、モデルが明示的な境界情報に集中できるようにする。
分類に言及するために、原型学習を活用してラベル付きスパンのセマンティック表現をキャプチャし、新しいクラスエンティティへの適応性を向上する。
論文 参考訳(メタデータ) (2022-10-17T12:59:33Z) - Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。
オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
論文 参考訳(メタデータ) (2022-02-16T05:59:53Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - Self-Attention Between Datapoints: Going Beyond Individual Input-Output
Pairs in Deep Learning [36.047444794544425]
一度に1つのデータポイントを処理するのではなく、データセット全体を入力として扱う汎用ディープラーニングアーキテクチャを導入します。
このアプローチでは、データポイント間の関係を明示的に推論するために、自己注意を使用します。
従来の非パラメトリックモデルとは異なり、予測に他のデータポイントを使う方法をデータからエンド・ツー・エンドに学習させる。
論文 参考訳(メタデータ) (2021-06-04T16:30:49Z) - Modeling Gate-Level Abstraction Hierarchy Using Graph Convolutional
Neural Networks to Predict Functional De-Rating Factors [0.0]
グラフ畳み込みネットワーク(GCN)を用いたゲートレベルのネットリストのモデル化手法を提案する。
モデルは、与えられた回路のシーケンシャル要素の全体的な機能劣化因子を予測する。
論文 参考訳(メタデータ) (2021-04-05T08:38:16Z) - 1st Place Solution to ECCV-TAO-2020: Detect and Represent Any Object for
Tracking [19.15537335764895]
従来のトラッキング・バイ・検出パラダイムを、このトラッキング・バイ・オブジェクトタスクに拡張します。
特徴学習ネットワークを訓練することで,あらゆる対象を表す出現特徴を学習する。
類似の外観機能とトラックレットレベルのポストアソシエーションモジュールを備えたシンプルなリンク戦略が最終的に最終追跡結果を生成するために適用されます。
論文 参考訳(メタデータ) (2021-01-20T09:42:32Z) - Learning Adaptive Embedding Considering Incremental Class [55.21855842960139]
CIL(Class-Incremental Learning)は,未知のクラスを逐次生成するストリーミングデータを用いて,信頼性の高いモデルをトレーニングすることを目的としている。
従来のクローズドセット学習とは異なり、CILには2つの大きな課題がある。
新たなクラスが検出された後、以前のデータ全体を使用して再トレーニングすることなく、モデルを更新する必要がある。
論文 参考訳(メタデータ) (2020-08-31T04:11:24Z) - Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。
既存のFSCモデルに対する新しいトレーニング手法を提案する。
説明誘導学習はモデル一般化を効果的に改善することを示す。
論文 参考訳(メタデータ) (2020-07-17T07:28:08Z)
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。