論文の概要: Tackling Domain-Specific Winograd Schemas with Knowledge-Based Reasoning and Machine Learning

• arxiv url: http://arxiv.org/abs/2011.12081v1
• Date: Tue, 24 Nov 2020 13:34:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:17:09.463062
• Title: Tackling Domain-Specific Winograd Schemas with Knowledge-Based Reasoning and Machine Learning
• Title（参考訳）: 知識に基づく推論と機械学習によるドメイン特化Winogradスキーマの処理
• Authors: Suk Joon Hong, Brandon Bennett
• Abstract要約: Winograd Challenge (WSC)は、背景知識を必要とする常識的な推論タスクである。 本稿では、WSCを4つの方法で扱うことに貢献する。 まず,特定の高レベルパターンが発見できる制限付きドメインを定義するためのキーワード手法を提案する。 次に,意味的役割を用いた高レベルの知識に基づく推論手法を提案する。 第3に,知識に基づく推論と機械学習を組み合わせたアンサンブル手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Winograd Schema Challenge (WSC) is a common-sense reasoning task that requires background knowledge. In this paper, we contribute to tackling WSC in four ways. Firstly, we suggest a keyword method to define a restricted domain where distinctive high-level semantic patterns can be found. A thanking domain was defined by key-words, and the data set in this domain is used in our experiments. Secondly, we develop a high-level knowledge-based reasoning method using semantic roles which is based on the method of Sharma [2019]. Thirdly, we propose an ensemble method to combine knowledge-based reasoning and machine learning which shows the best performance in our experiments. As a machine learning method, we used Bidirectional Encoder Representations from Transformers (BERT) [Kocijan et al., 2019]. Lastly, in terms of evaluation, we suggest a "robust" accuracy measurement by modifying that of Trichelair et al. [2018]. As with their switching method, we evaluate a model by considering its performance on trivial variants of each sentence in the test set.
• Abstract（参考訳）: winograd schema challenge(wsc)は、背景知識を必要とする常識推論タスクである。 本稿では4つの方法でWSCに取り組むことに貢献する。 まず,特定のハイレベルなセマンティックパターンを見つけることができる制限付きドメインを定義するためのキーワード手法を提案する。 感謝するドメインはキーワードで定義され、このドメインのデータセットは実験で使用されています。 次に,シャマ [2019] の手法に基づく意味的役割を用いた高レベルの知識ベース推論手法を開発した。 第3に,知識に基づく推論と機械学習を組み合わせたアンサンブル手法を提案する。 機械学習手法として,変換器からの双方向エンコーダ表現 (BERT) [Kocijan et al., 2019] を用いた。 最後に,評価の観点からは,trichelairらの改良による"ロバスト"精度測定を提案する。 [2018]. それらの切り換え方法と同様に、テストセットの各文の自明な変種に対する性能を考慮したモデルの評価を行う。

関連論文リスト

• Multi-Level Querying using A Knowledge Pyramid [19.018954648515848]
  精度とリコールのバランスを改善するために,RAGフレームワーク内の多層知識ピラミッドアプローチを提案する。 我々は,オントロジースキーマとインスタンスの包括的知識カバレッジと動的更新のために,層間拡張技術を採用している。 我々のアプローチであるPolyRAGは、ピラミッドの頂上からスタートし、自信ある答えが得られるまで進行する、検索のためのウォーターフォールモデルに従っています。
  論文  参考訳（メタデータ） (2024-07-31T01:51:24Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• DAMSL: Domain Agnostic Meta Score-based Learning [3.6398662687367973]
  ドメインに依存しないメタスコアベースの学習は、クロスドメインの少数ショット学習のための、新しく、多目的で、非常に効果的なソリューションである。 我々は,従来のメタ学習手法がソースドメインに過度に適合する点と,サポートセットの構造を応用した過去のトランスファー学習手法の問題点を同定する。 提案手法は,従来のメタラーニングとトランスファーラーニングの限界を克服し,より小さな領域シフトと大規模な領域シフトの双方で精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-06-06T06:08:05Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Fake it Till You Make it: Self-Supervised Semantic Shifts for Monolingual Word Embedding Tasks [58.87961226278285]
  語彙意味変化をモデル化するための自己教師付きアプローチを提案する。 本手法は,任意のアライメント法を用いて意味変化の検出に利用できることを示す。 3つの異なるデータセットに対する実験結果を用いて,本手法の有用性について述べる。
  論文  参考訳（メタデータ） (2021-01-30T18:59:43Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Domain Adaptive Knowledge Distillation for Driving Scene Semantic Segmentation [9.203485172547824]
  本稿では,限られたメモリを持つモデルにおいて,ドメイン適応知識を学習するための新しいアプローチを提案する。 異なるレベルの知識を効果的に消毒するための多段階蒸留戦略を提案する。 実物と実物の両方のシナリオについて、広範囲にわたる実験およびアブレーション研究を行う。
  論文  参考訳（メタデータ） (2020-11-03T03:01:09Z)
• Cross-Domain Imitation Learning with a Dual Structure [20.493193390620352]
  対象ドメイン内のエージェントが、報酬関数にアクセスすることなく、ソースドメイン内の専門家のデモンストレーションを観察することにより、対象ドメイン内で適切に機能するポリシーを学習するクロスドメイン模倣学習(CDIL)。 本稿では,模倣学習におけるドメイン差を克服する2重構造学習手法を提案する。 シミュレーションの結果,提案手法は他の既存アルゴリズムよりもCDILの性能が優れており,ドメイン差のない模倣学習とほぼ同等の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-06-02T09:50:33Z)
• Domain Adaption for Knowledge Tracing [65.86619804954283]
  本稿では,DAKT問題に対処するための新しい適応型フレームワーク,すなわち知識追跡(AKT)を提案する。 まず,Deep Knowledge Trace(DKT)に基づく教育的特徴(スリップ,推測,質問文など)を取り入れ,優れた知識追跡モデルを得る。 第2の側面として、3つのドメイン適応プロセスを提案し、採用する。まず、ターゲットモデルトレーニングに有用なソースインスタンスを選択するために、自動エンコーダを事前訓練する。
  論文  参考訳（メタデータ） (2020-01-14T15:04:48Z)

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。