論文の概要: Better Together -- An Ensemble Learner for Combining the Results of Ready-made Entity Linking Systems

• arxiv url: http://arxiv.org/abs/2101.05634v1
• Date: Thu, 14 Jan 2021 14:42:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 06:12:20.393637
• Title: Better Together -- An Ensemble Learner for Combining the Results of Ready-made Entity Linking Systems
• Title（参考訳）: Better Together -- 既製エンティティリンクシステムの結果を組み合わせるためのアンサンブル学習者
• Authors: Renato Stoffalette Jo\~ao and Pavlos Fafalios and Stefan Dietze
• Abstract要約: 我々は、同一コーパス上の異なるELシステムの結果を活用することで、性能を最適化できると主張している。 本稿では,複数の既製のELシステムの出力を,インメンションごとに正しいリンクを予測することで活用する,監視手法を提案する。
• 参考スコア（独自算出の注目度）: 2.163881720692685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity linking (EL) is the task of automatically identifying entity mentions in text and resolving them to a corresponding entity in a reference knowledge base like Wikipedia. Throughout the past decade, a plethora of EL systems and pipelines have become available, where performance of individual systems varies heavily across corpora, languages or domains. Linking performance varies even between different mentions in the same text corpus, where, for instance, some EL approaches are better able to deal with short surface forms while others may perform better when more context information is available. To this end, we argue that performance may be optimised by exploiting results from distinct EL systems on the same corpus, thereby leveraging their individual strengths on a per-mention basis. In this paper, we introduce a supervised approach which exploits the output of multiple ready-made EL systems by predicting the correct link on a per-mention basis. Experimental results obtained on existing ground truth datasets and exploiting three state-of-the-art EL systems show the effectiveness of our approach and its capacity to significantly outperform the individual EL systems as well as a set of baseline methods.
• Abstract（参考訳）: エンティティリンク(el)は、テキスト中のエンティティ参照を自動的に識別し、wikipediaのような参照知識ベースで対応するエンティティに解決するタスクである。 過去10年間、多数のELシステムとパイプラインが利用可能となり、個々のシステムのパフォーマンスはコーパス、言語、ドメインによって大きく異なる。 リンクのパフォーマンスは、同じテキストコーパス内の異なる参照の間でも異なり、例えば、ELのいくつかのアプローチは、短い表面のフォームを扱うのがより適しており、他の方法は、より多くのコンテキスト情報が利用可能であればより良く機能する。 この目的のために,同一コーパス上の異なるELシステムから得られた結果を利用して,個々の強みを評価ベースで活用することで,性能を最適化できると主張している。 本稿では,複数の既製elシステムの出力を,各メンションベースで正しいリンクを予測して活用する教師あり方式を提案する。 既存の真理データセットと3つの最先端ELシステムを用いて得られた実験結果から,提案手法の有効性と,個々のELシステムとベースライン法を著しく上回る能力が示された。

関連論文リスト

• Self-MoE: Towards Compositional Large Language Models with Self-Specialized Experts [49.950419707905944]
  本稿では,モノリシックLLMを,自己専門化の専門家による構成的,モジュール的なシステムに変換するアプローチであるSelf-MoEを紹介する。 提案手法は, 自己生成合成データを用いて, 専門家モジュールを構成する自己特殊化を利用する。 本研究は, モジュール性の重要性, マルチベースLCMへの適用性, 効率的でスケーラブルで適応可能なシステムの実現における自己改善の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-06-17T19:06:54Z)
• Multilingual Entity Linking Using Dense Retrieval [0.0]
  本論文では,複数の言語で高速に学習・操作できるシステムを開発する。 我々の研究は、限られたリソースでも複数の言語で動作する競争力のあるニューラルネットワークベースのELシステムを構築することが可能であることを示している。
  論文  参考訳（メタデータ） (2024-05-13T18:57:27Z)
• OAEI Machine Learning Dataset for Online Model Generation [0.6472397166280683]
  オントロジーアライメント評価イニシアチブ(OAEI)によるオントロジーと知識グラフマッチングシステムの評価 OAEIトラックのほとんどに対して、トレーニング、検証、テストセットを含むデータセットを導入します。
  論文  参考訳（メタデータ） (2024-04-29T09:33:53Z)
• Self-Retrieval: End-to-End Information Retrieval with One Large Language Model [97.71181484082663]
  本稿では,新たなLLM駆動情報検索アーキテクチャであるSelf-Retrievalを紹介する。 自己検索は、自己教師付き学習を通じて検索コーパスを内部化し、検索プロセスをシーケンシャルな通過生成に変換し、再ランク付けのための関連性評価を行う。
  論文  参考訳（メタデータ） (2024-02-23T18:45:35Z)
• Instructed Language Models with Retrievers Are Powerful Entity Linkers [87.16283281290053]
  Instructed Generative Entity Linker (INSGENEL)は、カジュアル言語モデルが知識ベース上でエンティティリンクを実行することを可能にする最初のアプローチである。 INSGENEL は、+6.8 F1 点が平均的に上昇する以前の生成的代替よりも優れていた。
  論文  参考訳（メタデータ） (2023-11-06T16:38:51Z)
• Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning [53.73316523766183]
  コアレゾリューションシステムは2つの主要なタスクに取り組む必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクター・クリティカル・ラーニングに基づく複合ルール・ニューラル・コア参照解決システムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T08:55:47Z)
• Unified Structure Generation for Universal Information Extraction [58.89057387608414]
  UIEは、異なるIEタスクを普遍的にモデル化し、ターゲット構造を適応的に生成し、異なる知識ソースから一般的なIE能力を協調的に学習することができる。 実験によると、UIEは4つのIEタスク、13のデータセット、およびすべての教師付き、低リソース、数ショット設定で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-03-23T08:49:29Z)
• Entity Linking Meets Deep Learning: Techniques and Solutions [49.017379833990155]
  本稿では,既存のディープラーニングに基づくEL手法の総合的なレビューと分析を行う。 組込み,特徴,アルゴリズムの3つの軸を用いて既存のDLベースのEL手法を整理する新しい分類法を提案する。 データセット上でのDLに基づくEL法の定量的性能解析を行う。
  論文  参考訳（メタデータ） (2021-09-26T07:57:38Z)
• Robustness Evaluation of Entity Disambiguation Using Prior Probes:the Case of Entity Overshadowing [11.513083693564466]
  我々はShadowLinkベンチマークにおいて,一般的なエンティティリンクシステムの性能を評価し,報告する。 その結果, 評価対象のELシステムにおいて, 共通エンティティの数と少ないエンティティの精度は, かなり異なることがわかった。
  論文  参考訳（メタデータ） (2021-08-24T20:54:56Z)
• Interpretable and Low-Resource Entity Matching via Decoupling Feature Learning from Decision Making [22.755892575582788]
  Entity Matchingは、同じ現実世界のオブジェクトを表すエンティティレコードを認識することを目的としている。 異種情報融合(HIF)とキー属性ツリー(KAT)誘導からなる新しいEMフレームワークを提案する。 提案手法は効率が高く,ほとんどの場合SOTA EMモデルより優れている。
  論文  参考訳（メタデータ） (2021-06-08T08:27:31Z)

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。