Fugu-MT 論文翻訳(概要): Triadic Exploration and Exploration with Multiple Experts

論文の概要: Triadic Exploration and Exploration with Multiple Experts

arxiv url: http://arxiv.org/abs/2102.02654v1
Date: Thu, 4 Feb 2021 14:49:53 GMT
ステータス: 処理完了
システム内更新日: 2021-02-05 16:14:58.902116
Title: Triadic Exploration and Exploration with Multiple Experts
Title（参考訳）: 複数専門家によるトライアディック探索と探索
Authors: Maximilian Felde and Gerd Stumme
Abstract要約: Triadic Concept Analysis は、条件の概念を取り入れた形式的概念分析(FCA)の拡張である。本稿では、三進的概念分析に基づく三進的探索を行い、三進的領域における条件的属性含意を探索する。ドメインに対して異なる視点を持つ複数の専門家による属性探索を定式化するために、このアプローチを適用する。
参考スコア（独自算出の注目度）: 0.11421942894219898
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Formal Concept Analysis (FCA) provides a method called attribute exploration which helps a domain expert discover structural dependencies in knowledge domains that can be represented by a formal context (a cross table of objects and attributes). Triadic Concept Analysis is an extension of FCA that incorporates the notion of conditions. Many extensions and variants of attribute exploration have been studied but only few attempts at incorporating multiple experts have been made. In this paper we present triadic exploration based on Triadic Concept Analysis to explore conditional attribute implications in a triadic domain. We then adapt this approach to formulate attribute exploration with multiple experts that have different views on a domain.
Abstract（参考訳）: 形式的概念分析(FCA)は、ドメインの専門家が形式的コンテキスト(オブジェクトと属性のクロステーブル)で表される知識領域の構造的依存関係を発見するのに役立つ属性探索と呼ばれる方法を提供する。 Triadic Concept Analysisは、条件の概念を取り入れたFCAの拡張である。属性探索の多くの拡張とバリエーションが研究されているが、複数の専門家を組み込む試みはほとんど行われていない。本稿では,三進概念分析に基づく三進探索を行い,三進領域における条件属性の意味を探索する。次に、このアプローチを、ドメインに関する異なる見解を持つ複数の専門家による属性探索の定式化に適用します。

関連論文リスト

Adaptive Conditional Expert Selection Network for Multi-domain Recommendation [10.418133538132635]
Mixture-of-Experts (MOE)は、最近マルチドメインレコメンデーション(MDR)におけるデファクトスタンダードになっている。 CESAAは、Conditional Expert Selection (CES) ModuleとAdaptive Expert Aggregation (AEA) Moduleで構成されている。 AEAは、専門家と特定のドメイン間の相関を強化するために、相互情報損失を利用しており、専門家の区別を大幅に改善している。
論文参考訳（メタデータ） (2024-11-11T09:39:31Z)
Exploring Commonalities in Explanation Frameworks: A Multi-Domain Survey Analysis [0.0]
本研究は,3つの領域の専門家による調査および議論から得られた知見を提示する。分析されたアプリケーションには、医療シナリオ(予測MLを含む)、小売ユースケース(規範MLを含む)、エネルギーユースケース(予測MLも含む)が含まれる。以上の結果から,より説明可能性の高い精度を犠牲にすることが普遍的に望まれることが示唆された。
論文参考訳（メタデータ） (2024-05-20T11:28:32Z)
DRAK: Unlocking Molecular Insights with Domain-Specific Retrieval-Augmented Knowledge in LLMs [6.728130796437259]
DRAK(Domain-specific Retrieval-Augmented Knowledge)は、大規模言語モデルのための非パラメトリックな知識注入フレームワークである。 DRAKは、分子領域と幅広い分析タスクを扱う能力において、深い専門知識を発達させてきた。私たちのコードはまもなく利用可能になります。
論文参考訳（メタデータ） (2024-03-04T15:04:05Z)
Incentivized Exploration via Filtered Posterior Sampling [51.32577788466152]
情報非対称性を活用できる社会学習問題における「インセンティブ付き探索」(IE)について検討し、エージェントにインセンティブを与えて探索行動をとる。我々は,IE の汎用的解法として,多腕バンディットの文献でよく知られるアルゴリズム的手法である後方サンプリングを同定する。
論文参考訳（メタデータ） (2024-02-20T19:30:55Z)
A Novel Energy based Model Mechanism for Multi-modal Aspect-Based Sentiment Analysis [85.77557381023617]
マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。 PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。 EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
論文参考訳（メタデータ） (2023-12-13T12:00:46Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
論文参考訳（メタデータ） (2023-02-03T14:57:40Z)
Attribute Exploration with Multiple Contradicting Partial Experts [0.0]
属性探索(Attribute Exploring)は、ドメインの専門家が知識領域の構造的依存関係を発見するのに役立つ、形式的概念分析(FCA)の手法である。本稿では,属性探索の拡張について述べる。
論文参考訳（メタデータ） (2022-05-31T12:00:55Z)
A Simple Information-Based Approach to Unsupervised Domain-Adaptive Aspect-Based Sentiment Analysis [58.124424775536326]
本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
論文参考訳（メタデータ） (2022-01-29T10:18:07Z)
Multiple Domain Experts Collaborative Learning: Multi-Source Domain Generalization For Person Re-Identification [41.923753462539736]
我々は、MD-ExCo(Multiple Domain Experts Collaborative Learning)という新しいトレーニングフレームワークを提案する。 MD-ExCoは普遍的な専門家といくつかのドメインエキスパートで構成されている。 DG-ReIDベンチマークの実験により、我々のMD-ExCoは最先端の手法よりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2021-05-26T06:38:23Z)
WikiAsp: A Dataset for Multi-domain Aspect-based Summarization [69.13865812754058]
マルチドメインアスペクトベースの要約のための大規模データセットであるWikiAspを提案する。具体的には、アスペクトアノテーションのプロキシとして、各記事のセクションタイトルとバウンダリを使用して、20の異なるドメインからウィキペディア記事を使用してデータセットを構築します。その結果,既存の要約モデルがこの設定で直面する重要な課題,例えば引用されたソースの適切な代名詞処理,時間に敏感なイベントの一貫した説明などが浮き彫りになった。
論文参考訳（メタデータ） (2020-11-16T10:02:52Z)

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。