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

• Truncated Consistency Models [57.50243901368328]
  トレーニング一貫性モデルは、PF ODE 軌道に沿ったすべての中間点を対応するエンドポイントにマッピングする学習を必要とする。 このトレーニングパラダイムが一貫性モデルの1ステップ生成性能を制限することを実証的に見出した。 整合性関数の新しいパラメータ化と2段階の訓練手順を提案し,時間外学習が崩壊することを防ぐ。
  論文  参考訳（メタデータ） (2024-10-18T22:38:08Z)
• Fighting Against the Repetitive Training and Sample Dependency Problem in Few-shot Named Entity Recognition [29.969268584918105]
  名前付きエンティティ認識(NER)システムは、いくつかのラベル付きトレーニング例を使用してエンティティを認識する。 現在のスパン検出器は、ガイドトレーニングのための広範囲な手動ラベリングに依存している。 オープンドメインのウィキペディアデータに基づいて事前トレーニングした足場スパン検出器を導入する。 大型言語モデル(LLM)を利用して、信頼性の高いエンティティ型参照をセットし、各タイプの少数ショットサンプルへの依存をなくす。
  論文  参考訳（メタデータ） (2024-06-08T12:36:30Z)
• 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)
• 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)
• 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。