論文の概要: Fine-Grained Named Entity Typing over Distantly Supervised Data via Refinement in Hyperbolic Space

• arxiv url: http://arxiv.org/abs/2101.11212v1
• Date: Wed, 27 Jan 2021 05:39:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 05:50:57.394814
• Title: Fine-Grained Named Entity Typing over Distantly Supervised Data via Refinement in Hyperbolic Space
• Title（参考訳）: 双曲空間の精細化による遠隔教師付きデータ上のきめ細かい名前付きエンティティ型付け
• Authors: Muhammad Asif Ali, Yifang Sun, Bing Li, Wei Wang
• Abstract要約: FGNET-HRは、グラフ構造と組み合わせてエンティティタイピングを行う、双曲幾何学の恩恵を受ける新しいフレームワークである。 異なるベンチマークデータセットを用いた実験では、FGNET-HRはFG-NETのパフォーマンスを厳密な精度で最大3.5%改善している。
• 参考スコア（独自算出の注目度）: 17.38820879842774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-Grained Named Entity Typing (FG-NET) aims at classifying the entity mentions into a wide range of entity types (usually hundreds) depending upon the context. While distant supervision is the most common way to acquire supervised training data, it brings in label noise, as it assigns type labels to the entity mentions irrespective of mentions' context. In attempts to deal with the label noise, leading research on the FG-NET assumes that the fine-grained entity typing data possesses a euclidean nature, which restraints the ability of the existing models in combating the label noise. Given the fact that the fine-grained type hierarchy exhibits a hierarchal structure, it makes hyperbolic space a natural choice to model the FG-NET data. In this research, we propose FGNET-HR, a novel framework that benefits from the hyperbolic geometry in combination with the graph structures to perform entity typing in a performance-enhanced fashion. FGNET-HR initially uses LSTM networks to encode the mention in relation with its context, later it forms a graph to distill/refine the mention's encodings in the hyperbolic space. Finally, the refined mention encoding is used for entity typing. Experimentation using different benchmark datasets shows that FGNET-HR improves the performance on FG-NET by up to 3.5% in terms of strict accuracy.
• Abstract（参考訳）: Fine-Grained Named Entity Typing (FG-NET)は、エンティティの参照をコンテキストに応じて幅広いエンティティタイプ(通常は数百)に分類することを目的としています。 遠隔監視は教師付きトレーニングデータを取得する最も一般的な方法であるが、参照のコンテキストに関係なくエンティティに型ラベルを割り当てることにより、ラベルノイズが発生する。 ラベルノイズに対処する試みにおいて、FG-NETの研究は、粒度の細かいエンティティ型付けデータがユークリッドの性質を持ち、ラベルノイズに対処する既存のモデルの能力を抑えると仮定している。 細かい粒度の型階層が階層構造を示すという事実を考えると、双曲空間はFG-NETデータをモデル化する自然な選択である。 本研究では、双曲幾何とグラフ構造を組み合わせることで、パフォーマンスを向上したエンティティタイピングを実現する新しいフレームワークであるFGNET-HRを提案する。 FGNET-HRは、当初LSTMネットワークを使用して、そのコンテキストに関連する参照をエンコードし、後にハイパーボリック空間における参照のエンコーディングを蒸留・再定義するグラフを形成する。 最後に、エンティティ型付けに洗練されたメンションエンコーディングが使用される。 異なるベンチマークデータセットを用いた実験により、FGNET-HRは厳密な精度でFG-NETのパフォーマンスを最大3.5%向上させる。

関連論文リスト

• Seed-Guided Fine-Grained Entity Typing in Science and Engineering Domains [51.02035914828596]
  科学・工学分野において,シード誘導型細粒度エンティティタイピングの課題について検討する。 まず、ラベルのないコーパスから各タイプのエンティティを抽出し、弱い監視力を高めるSETypeを提案する。 そして、リッチなエンティティをラベルなしのテキストにマッチさせ、擬似ラベル付きサンプルを取得し、見知らぬ型と見えない型の両方に推論できるテキストエンテリメントモデルを訓練する。
  論文  参考訳（メタデータ） (2024-01-23T22:36:03Z)
• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph Entity Alignment [22.526341223786375]
  本稿では,FGW(Fused Gromov-Wasserstein)距離を利用した非教師なしエンティティアライメントフレームワークFGWEAを紹介する。 我々は,FGWEAが,最先端管理エンティティアライメント手法を含む21の競争ベースラインを超えることを示す。
  論文  参考訳（メタデータ） (2023-05-11T05:17:54Z)
• Grounded Keys-to-Text Generation: Towards Factual Open-Ended Generation [92.1582872870226]
  そこで我々は,新しい接地型キー・ツー・テキスト生成タスクを提案する。 タスクは、ガイドキーと接地パスのセットが与えられたエンティティに関する事実記述を生成することである。 近年のQAに基づく評価手法に着想を得て,生成した記述の事実的正当性を示す自動計量MAFEを提案する。
  論文  参考訳（メタデータ） (2022-12-04T23:59:41Z)
• Modeling Fine-grained Information via Knowledge-aware Hierarchical Graph for Zero-shot Entity Retrieval [11.533614615010643]
  我々は,よりきめ細かい情報を文埋め込みに補完するものとして,GERを提案する。 これらの知識ユニットから情報を集約することで、言及/関心に関するきめ細かい情報を学習する。 一般的なベンチマーク実験の結果,提案するGERフレームワークは,従来の最先端モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-20T14:37:53Z)
• Entity Type Prediction Leveraging Graph Walks and Entity Descriptions [4.147346416230273]
  textitGRANDは、RDF2vecの異なるグラフウォーク戦略とテキストエンティティ記述を利用したエンティティ型付けの新しいアプローチである。 提案手法は,細粒度クラスと粗粒度クラスの両方において,KGにおけるエンティティ型付けのためのベンチマークデータセットDBpediaとFIGERのベースラインアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-07-28T13:56:55Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• PGNet: Real-time Arbitrarily-Shaped Text Spotting with Point Gathering Network [54.03560668182197]
  任意形状のテキストをリアルタイムで読み取るための,完全畳み込み点収集ネットワーク(PGNet)を提案する。 PG-CTCデコーダを用いて2次元空間から高レベル文字分類ベクトルを収集し,NMSやRoI操作を使わずにテキストシンボルに復号する。 実験により,提案手法は競争精度が向上し,走行速度が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2021-04-12T13:27:34Z)
• Autoregressive Entity Retrieval [55.38027440347138]
  エンティティは、知識の表現と集約の方法の中心にあります。 クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。 本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:13:31Z)
• Fine-Grained Named Entity Typing over Distantly Supervised Data Based on Refined Representations [16.30478830298353]
  Fine-Grained Named Entity Typing (FG-NET) は自然言語処理(NLP)の鍵となるコンポーネントである 本稿では,コーパスレベルの文脈的手がかりをエンド分類に先立ち,ノイズの多い参照表現を洗練させるエッジ重み付き注意グラフ畳み込みネットワークを提案する。 実験により,提案モデルではマクロf1とマイクロf1の相対スコアが10.2%,マクロf1が8.3%であった。
  論文  参考訳（メタデータ） (2020-04-07T17:26:36Z)
• MZET: Memory Augmented Zero-Shot Fine-grained Named Entity Typing [11.88688584631821]
  名前付きエンティティタイピング(英語: Named entity typing, NET)は、コンテキスト内のエンティティ参照を与えられたセマンティックタイプに割り当てる分類タスクである。 本稿では,新しいメモリ拡張FNETモデルであるMZETを提案する。 MZETは文字レベル、単語レベル、文脈レベルの情報を組み込んでエンティティ参照表現を学習する。
  論文  参考訳（メタデータ） (2020-04-02T21:17:33Z)

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。