Fugu-MT 論文翻訳(概要): An Empirical Study on Neural Keyphrase Generation

論文の概要: An Empirical Study on Neural Keyphrase Generation

arxiv url: http://arxiv.org/abs/2009.10229v3
Date: Thu, 15 Apr 2021 15:33:40 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 22:15:19.906015
Title: An Empirical Study on Neural Keyphrase Generation
Title（参考訳）: ニューラルキーフレーズ生成に関する経験的研究
Authors: Rui Meng, Xingdi Yuan, Tong Wang, Sanqiang Zhao, Adam Trischler, Daqing He
Abstract要約: 近年、神経キーフレーズ生成(KPG)が盛んに行われている。 KPGタスクのモデル性能は、深層学習研究の進展とともに大幅に向上した。
参考スコア（独自算出の注目度）: 32.98420137439619
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent years have seen a flourishing of neural keyphrase generation (KPG) works, including the release of several large-scale datasets and a host of new models to tackle them. Model performance on KPG tasks has increased significantly with evolving deep learning research. However, there lacks a comprehensive comparison among different model designs, and a thorough investigation on related factors that may affect a KPG system's generalization performance. In this empirical study, we aim to fill this gap by providing extensive experimental results and analyzing the most crucial factors impacting the generalizability of KPG models. We hope this study can help clarify some of the uncertainties surrounding the KPG task and facilitate future research on this topic.
Abstract（参考訳）: 近年、いくつかの大規模データセットのリリースや、それに取り組むための新しいモデルのホストなど、神経キーフレーズ生成(KPG)が盛んに行われている。 KPGタスクのモデル性能は、深層学習研究の進展とともに大幅に向上した。しかしながら、異なるモデル設計間での包括的な比較や、KPGシステムの一般化性能に影響を与える可能性のある関連する要因の徹底的な調査は欠如している。本研究では,KPGモデルの一般化性に影響を与える最も重要な要因を解析し,実験結果を提供することにより,このギャップを埋めることを目的とする。我々は,本研究が KPG タスクにまつわる不確実性を明らかにし,今後の研究の促進に役立つことを願っている。

関連論文リスト

GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文参考訳（メタデータ） (2024-06-01T08:01:05Z)
Towards Causal Classification: A Comprehensive Study on Graph Neural Networks [9.360596957822471]
グラフ構造化データを処理するグラフニューラルネットワーク(GNN)は因果解析の可能性を拡大した。我々の研究は、9つのベンチマークグラフ分類モデルに展開し、7つのデータセットでその強度と汎用性をテストした。本研究は,多種多様なデータ中心分野におけるGNNの理解と実用化の促進に有効である。
論文参考訳（メタデータ） (2024-01-27T15:35:05Z)
Data-Centric Long-Tailed Image Recognition [49.90107582624604]
ロングテールモデルは高品質なデータに対する強い需要を示している。データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
論文参考訳（メタデータ） (2023-11-03T06:34:37Z)
On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文参考訳（メタデータ） (2023-06-07T21:35:26Z)
Theory on Forgetting and Generalization of Continual Learning [41.85538120246877]
連続学習(CL)は、一連のタスクを学習することを目的としている。どの要因が重要か、それらが「破滅的な忘れ方」や一般化のパフォーマンスにどのように影響するかについて、理解の欠如がある。本研究の結果は,最近の研究で興味深い経験的観察結果を説明するだけでなく,CLのより実用的なアルゴリズム設計の動機も示している。
論文参考訳（メタデータ） (2023-02-12T02:14:14Z)
Understanding the Performance of Knowledge Graph Embeddings in Drug Discovery [14.839673015887275]
知識グラフ(KG)と関連する知識グラフ埋め込み(KGE)モデルは、最近、薬物発見の文脈で研究され始めている。本研究では, 薬物発見指向KGにおけるKGEモデルの予測性能について, 何千回もの実験を通して検討した。結果から,これらの要因が性能に重大な影響を与え,モデルランキングにも影響を及ぼす可能性が示唆された。
論文参考訳（メタデータ） (2021-05-17T11:39:54Z)
Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
論文参考訳（メタデータ） (2021-04-12T16:23:37Z)
Multi-task Causal Learning with Gaussian Processes [17.205106391379026]
本稿では、因果モデルの有向非巡回グラフ(DAG)上に定義された一連の介入関数の相関構造を学習する問題について考察する。本稿では,連続的な介入と異なる変数に対する実験による情報共有が可能な,最初のマルチタスク因果ガウス過程(GP)モデルを提案する。
論文参考訳（メタデータ） (2020-09-27T11:33:40Z)
Causal Inference using Gaussian Processes with Structured Latent Confounders [9.8164690355257]
本稿では,この構造を持つ助成金を半パラメトリックにモデル化し,因果効果の評価を改善する方法について述べる。鍵となる革新は階層的ベイズモデル、構造化潜在共同設立者(GP-SLC)を持つガウス過程、楕円スライスサンプリングに基づくモンテカルロ推論アルゴリズムである。
論文参考訳（メタデータ） (2020-07-14T15:45:28Z)
Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。