Fugu-MT 論文翻訳(概要): RGCL at SemEval-2020 Task 6: Neural Approaches to Definition Extraction

論文の概要: RGCL at SemEval-2020 Task 6: Neural Approaches to Definition Extraction

arxiv url: http://arxiv.org/abs/2010.06281v1
Date: Tue, 13 Oct 2020 10:48:15 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 22:27:36.046079
Title: RGCL at SemEval-2020 Task 6: Neural Approaches to Definition Extraction
Title（参考訳）: SemEval-2020 Task 6 における RGCL: 定義抽出へのニューラルアプローチ
Authors: Tharindu Ranasinghe, Alistair Plum, Constantin Orasan, Ruslan Mitkov
Abstract要約: 本稿では,SemEval 2020 Task 6: DeftEval, subtasks 1, 2へのRGCLチームの提出について述べる。システムは文とトークンのレベルで定義を分類する。
参考スコア（独自算出の注目度）: 12.815346389235748
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the RGCL team submission to SemEval 2020 Task 6: DeftEval, subtasks 1 and 2. The system classifies definitions at the sentence and token levels. It utilises state-of-the-art neural network architectures, which have some task-specific adaptations, including an automatically extended training set. Overall, the approach achieves acceptable evaluation scores, while maintaining flexibility in architecture selection.
Abstract（参考訳）: 本稿では,SemEval 2020 Task 6: DeftEval, subtasks 1, 2へのRGCLチームの提出について述べる。システムは文とトークンのレベルで定義を分類する。これは、自動拡張トレーニングセットを含むタスク固有の適応を持つ、最先端のニューラルネットワークアーキテクチャを利用する。全体としては、アーキテクチャ選択の柔軟性を維持しながら、許容できる評価スコアを達成する。

関連論文リスト

OWL2Vec4OA: Tailoring Knowledge Graph Embeddings for Ontology Alignment [14.955861200588664]
本稿では,組込みシステムOWL2Vec*の拡張であるOWL2Vec4OAを提案する。本稿では,提案する拡張の理論的基礎,実装の詳細,および実験的評価について述べる。
論文参考訳（メタデータ） (2024-08-12T17:24:19Z)
Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
Verifiable Reinforcement Learning Systems via Compositionality [19.316487056356298]
本稿では,RLサブシステムの集合が構成され,全体的な課題を達成するための,検証および構成強化学習(RL)の枠組みを提案する。本論では,各サブシステムがサブタスク仕様を満たすポリシーを学習した場合,その構成が全体のタスク仕様を満たすことを保証している。本稿では,高レベルモデルにおけるパラメータの最適セットを求める問題として定式化された手法を提案する。
論文参考訳（メタデータ） (2023-09-09T17:11:44Z)
PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
我々は PDSketch という新しいドメイン定義言語を提案する。これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
論文参考訳（メタデータ） (2023-03-09T18:54:12Z)
Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
論文参考訳（メタデータ） (2022-11-01T03:31:43Z)
Combining Modular Skills in Multitask Learning [149.8001096811708]
モジュラー設計は、ニューラルネットワークが様々な知識の面をアンタングルして再結合し、新しいタスクにより系統的に一般化することを奨励する。この研究では、各タスクは(潜在的に小さな)インベントリから潜在的な離散スキルのサブセットと関連付けられていると仮定する。ネットワークのモジュラー設計により、強化学習におけるサンプル効率が著しく向上し、教師あり学習における数ショットの一般化が図られる。
論文参考訳（メタデータ） (2022-02-28T16:07:19Z)
Verifiable and Compositional Reinforcement Learning Systems [19.614913673879474]
このフレームワークは、パラメトリックマルコフ決定プロセス(pMDP)として表される高レベルモデルで構成されている。サブシステム間のインターフェースを定義することで、フレームワークはタスク仕様の自動分解を可能にする。サブタスク仕様を自動的に更新する手法として,pMDPにおけるパラメータの最適セットの探索問題として定式化された手法を提案する。
論文参考訳（メタデータ） (2021-06-07T17:05:14Z)
JokeMeter at SemEval-2020 Task 7: Convolutional humor [6.853018135783218]
本稿では,SemEval-2020 Task 7におけるHummor評価のためのシステムについて述べる。このシステムは畳み込みニューラルネットワークアーキテクチャに基づいている。
論文参考訳（メタデータ） (2020-08-25T14:27:58Z)
Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文参考訳（メタデータ） (2020-06-22T12:46:44Z)
Yseop at SemEval-2020 Task 5: Cascaded BERT Language Model for Counterfactual Statement Analysis [0.0]
我々は、分類タスクにBERTベースモデルを使用し、シーケンス識別タスクを処理するために、ハイブリッドBERTマルチ層パーセプトロンシステムを構築した。本実験により, 構文的・意味的特徴の導入は, 分類タスクにおけるシステム改善にはほとんど寄与しないが, それらの特徴を線形入力として用いて, モデルのシーケンス決定能力を微調整することにより, 2次タスクにおいてBiLSTM-CRFのような他の類似の複雑なシステムよりも優れていることを示す。
論文参考訳（メタデータ） (2020-05-18T08:19:18Z)
Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。