論文の概要: Relation Detection for Indonesian Language using Deep Neural Network -- Support Vector Machine

• arxiv url: http://arxiv.org/abs/2009.05698v1
• Date: Sat, 12 Sep 2020 01:45:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 07:40:11.718569
• Title: Relation Detection for Indonesian Language using Deep Neural Network -- Support Vector Machine
• Title（参考訳）: ディープニューラルネットワークを用いたインドネシア語関係検出 -Support Vector Machine-
• Authors: Ramos Janoah Hasudungan (1), Ayu Purwarianti (1) ((1) Institut Teknologi Bandung)
• Abstract要約: インドネシア語の2つの名前のエンティティ間の関係検出にニューラルネットワークを用いる。 単語埋め込み、位置埋め込み、POSタグ埋め込み、文字埋め込みといった機能を使用しました。 最大の成果はF1-Scoreの0.8083で、Convolutional Layerをフロントパート、SVMをバックパートとして使用しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation Detection is a task to determine whether two entities are related or not. In this paper, we employ neural network to do relation detection between two named entities for Indonesian Language. We used feature such as word embedding, position embedding, POS-Tag embedding, and character embedding. For the model, we divide the model into two parts: Front-part classifier (Convolutional layer or LSTM layer) and Back-part classifier (Dense layer or SVM). We did grid search method of neural network hyper parameter and SVM. We used 6000 Indonesian sentences for training process and 1,125 for testing. The best result is 0.8083 on F1-Score using Convolutional Layer as front-part and SVM as back-part.
• Abstract（参考訳）: 関係検出は2つの実体が関連しているかどうかを決定するタスクである。 本稿では,インドネシア語の2つの名前のエンティティ間の関係検出にニューラルネットワークを用いる。 単語埋め込み,位置埋め込み,posタグ埋め込み,文字埋め込みなどの特徴を用いた。 モデルでは、モデルを2つの部分に分割する: フロント部分分類器(畳み込み層またはLSTM層)とバック部分分類器(デンス層またはSVM)。 ニューラルネットワークのハイパーパラメータとsvmのグリッド探索を行った。 訓練には6000文, 試験には1,125文を用いた。 最大の成果はF1-Scoreの0.8083で、Convolutional Layerをフロントパート、SVMをバックパートとして使用しています。

関連論文リスト

• Training Neural Networks as Recognizers of Formal Languages [87.06906286950438]
  形式言語理論は、特に認識者に関するものである。 代わりに、非公式な意味でのみ類似したプロキシタスクを使用するのが一般的である。 ニューラルネットワークを文字列のバイナリ分類器として直接訓練し評価することで、このミスマッチを補正する。
  論文  参考訳（メタデータ） (2024-11-11T16:33:25Z)
• Hamming Similarity and Graph Laplacians for Class Partitioning and Adversarial Image Detection [2.960821510561423]
  ニューラルネットワークの動作の理解と解釈を支援するために,ReLUアクティベーションパターン(ビットベクトルとして符号化)の可能性を検討する。 本稿では、Representational Dissimilarity Matrices(RDM)を用いて、ディープニューラルネットワークの埋め込み空間におけるデータのコヒーレンスについて検討する。 我々は,ビットベクトルが逆画像検出に役立ち,逆画像と非逆画像の分離において95%以上の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-02T22:16:15Z)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Train your classifier first: Cascade Neural Networks Training from upper layers to lower layers [54.47911829539919]
  我々は,高品質な分類器を探索するアルゴリズムとして見ることのできる,新しいトップダウン学習手法を開発した。 本研究では,自動音声認識(ASR)タスクと言語モデリングタスクについて検討した。 提案手法は,Wall Street Journal 上でのリカレントニューラルネットワーク ASR モデル,Switchboard 上での自己注意型 ASR モデル,WikiText-2 上での AWD-LSTM 言語モデルなど,一貫して改善されている。
  論文  参考訳（メタデータ） (2021-02-09T08:19:49Z)
• Deep Learning based, end-to-end metaphor detection in Greek language with Recurrent and Convolutional Neural Networks [0.0]
  本稿では,ギリシャ語におけるメタファ検出のための,エンドツーエンドのDeep Learningベースモデルを多数提示し,ベンチマークする。 畳み込みニューラルネットワークとリカレントニューラルネットワークと表現学習を組み合わせることで,ギリシャ語のメタファ検出問題に対処する。
  論文  参考訳（メタデータ） (2020-07-23T12:02:40Z)
• Combine Convolution with Recurrent Networks for Text Classification [12.92202472766078]
  本稿では,2つのネットワークの強みを最大限に維持するための新しい手法を提案する。 提案モデルでは、畳み込みニューラルネットワークを用いて、各行が異なる側面から各単語の重要性を反映する2次元重み行列を学習する。 両方向のRNNを用いて各単語を処理し、前後に隠された状態を融合して単語表現を得る神経テンソル層を用いる。
  論文  参考訳（メタデータ） (2020-06-29T03:36:04Z)
• Patch Based Classification of Remote Sensing Data: A Comparison of 2D-CNN, SVM and NN Classifiers [0.0]
  パッチベースのSVMとNNの性能と,2D-CNNと完全連結層からなるディープラーニングアルゴリズムの性能を比較した。 両方のデータセットによる結果は、パッチベースのSVMとNNの有効性を示唆している。
  論文  参考訳（メタデータ） (2020-06-21T11:07:37Z)
• L-Vector: Neural Label Embedding for Domain Adaptation [62.112885747045766]
  本研究では、未ペアデータを用いたディープニューラルネットワーク(DNN)音響モデルの領域適応のための新しいニューラルラベル埋め込み(NLE)手法を提案する。 NLEは1ホットラベルによる直接再トレーニングよりも14.1%の相対的な単語誤り率の低減を実現している。
  論文  参考訳（メタデータ） (2020-04-25T06:40:31Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。