論文の概要: Event Detection: Gate Diversity and Syntactic Importance Scoresfor Graph Convolution Neural Networks

• arxiv url: http://arxiv.org/abs/2010.14123v1
• Date: Tue, 27 Oct 2020 08:28:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 11:57:36.053018
• Title: Event Detection: Gate Diversity and Syntactic Importance Scoresfor Graph Convolution Neural Networks
• Title（参考訳）: イベント検出:グラフ畳み込みニューラルネットワークのためのゲート多様性と構文重要度スコア
• Authors: Viet Dac Lai, Tuan Ngo Nguyen, Thien Huu Nguyen
• Abstract要約: グラフ畳み込みニューラルネットの隠れベクターにおけるノイズ情報をフィルタリングする新しいゲーティング機構を提案する。 提案モデルは,2つのEDデータセット上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 34.84340664039068
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent studies on event detection (ED) haveshown that the syntactic dependency graph canbe employed in graph convolution neural net-works (GCN) to achieve state-of-the-art per-formance. However, the computation of thehidden vectors in such graph-based models isagnostic to the trigger candidate words, po-tentially leaving irrelevant information for thetrigger candidate for event prediction. In addi-tion, the current models for ED fail to exploitthe overall contextual importance scores of thewords, which can be obtained via the depen-dency tree, to boost the performance. In thisstudy, we propose a novel gating mechanismto filter noisy information in the hidden vec-tors of the GCN models for ED based on theinformation from the trigger candidate. Wealso introduce novel mechanisms to achievethe contextual diversity for the gates and theimportance score consistency for the graphsand models in ED. The experiments show thatthe proposed model achieves state-of-the-artperformance on two ED datasets
• Abstract（参考訳）: イベント検出(ED)に関する最近の研究は、構文依存グラフがグラフ畳み込みニューラルネットワーク(GCN)に応用され、最先端のパフォーマンスを実現することを示唆している。 しかし、そのようなグラフベースモデルにおける隠れベクトルの計算はトリガー候補語とは無関係であり、イベント予測のためのトリガー候補の無関係な情報をポテンティカルに残している。 addi-tion では、現在の ed のモデルは、depen-dency tree で得られる単語の全体的な文脈的重要度スコアを活用できず、パフォーマンスが向上している。 そこで本研究では,cgnモデルの隠れvec-torにおけるノイズ情報をトリガー候補からの情報に基づいてフィルタリングする新しいゲーティング機構を提案する。 また、ゲートの文脈的多様性を実現するための新しいメカニズムを導入し、EDのグラフサンドモデルに対する重要スコアの整合性を示す。 実験により,提案モデルが2つのEDデータセットの最先端性を実現することが示された。

関連論文リスト

• Attending To Syntactic Information In Biomedical Event Extraction Via Graph Neural Networks [5.758308856138859]
  本稿では,依存グラフの完全隣接行列を用いて個々のトークンを埋め込む。 また, 依存グラフが全体の性能に与える影響を示すために, アブレーション実験を行った。 提案したモデルは,BEEの最先端モデルを,異なるデータセットに対してわずかに上回っている。
  論文  参考訳（メタデータ） (2025-01-02T09:25:24Z)
• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• CORE: Data Augmentation for Link Prediction via Information Bottleneck [25.044734252779975]
  リンク予測(LP)はグラフ表現学習の基本的な課題である。 LPモデルのコンパクトかつ予測的な拡張を学習するための新しいデータ拡張手法であるCOREを提案する。
  論文  参考訳（メタデータ） (2024-04-17T03:20:42Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Attention-Based Recommendation On Graphs [9.558392439655012]
  グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著なパフォーマンスを示している。 本研究では,モデルベースレコメンデータシステムとしてGARecを提案する。 提案手法は,既存のモデルベース非グラフニューラルネットワークとグラフニューラルネットワークを異なるMovieLensデータセットで比較した。
  論文  参考訳（メタデータ） (2022-01-04T21:02:02Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
  本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。 グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。 提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-07-13T12:58:32Z)

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。