論文の概要: PRISM: A Unified Framework of Parameterized Submodular Information
Measures for Targeted Data Subset Selection and Summarization
- arxiv url: http://arxiv.org/abs/2103.00128v1
- Date: Sat, 27 Feb 2021 04:53:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:44:00.300597
- Title: PRISM: A Unified Framework of Parameterized Submodular Information
Measures for Targeted Data Subset Selection and Summarization
- Title(参考訳): PRISM: ターゲットデータサブセットの選択と要約のためのパラメータ化サブモジュール情報対策の統一フレームワーク
- Authors: Vishal Kaushal, Suraj Kothawade, Ganesh Ramakrishnan, Jeff Bilmes,
Rishabh Iyer
- Abstract要約: 我々はprism(modized subular information measure のリッチクラス)を提案する。
PRISMは、ターゲットとするサブセットが望まれるアプリケーションで使用できる。
PRISM-TSSは,対象の要約に関する過去の作業の一般化と統一を図っている。
最先端のPRISM-TSSとPRISM-TSUMの優位性を実証的に検証します。
- 参考スコア(独自算出の注目度): 11.32091409932449
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With increasing data, techniques for finding smaller, yet effective subsets
with specific characteristics become important. Motivated by this, we present
PRISM, a rich class of Parameterized Submodular Information Measures, that can
be used in applications where such targeted subsets are desired. We demonstrate
the utility of PRISM in two such applications. First, we apply PRISM to improve
a supervised model's performance at a given additional labeling cost by
targeted subset selection (PRISM-TSS) where a subset of unlabeled points
matching a target set are added to the training set. We show that PRISM-TSS
generalizes and is connected to several existing approaches to targeted data
subset selection. Second, we apply PRISM to a more nuanced targeted
summarization (PRISM-TSUM) where data (e.g., image collections, text or videos)
is summarized for quicker human consumption with additional user intent.
PRISM-TSUM handles multiple flavors of targeted summarization such as
query-focused, topic-irrelevant, privacy-preserving and update summarization in
a unified way. We show that PRISM-TSUM also generalizes and unifies several
existing past work on targeted summarization. Through extensive experiments on
image classification and image-collection summarization we empirically verify
the superiority of PRISM-TSS and PRISM-TSUM over the state-of-the-art.
- Abstract(参考訳): データの増加に伴い、特定の特徴を持つより小さいが効果的なサブセットを見つける技術が重要になる。
これを動機に、PRISMはパラメータ化されたサブモジュール情報測定のリッチクラスであり、そのようなターゲットを絞ったサブセットが望まれるアプリケーションで使用できる。
PRISMの有用性を2つのアプリケーションで実証します。
まず、ターゲットセットに一致する未ラベルポイントのサブセットを追加したターゲットサブセット選択(PRISM-TSS)により、与えられた追加のラベリングコストで監督モデルのパフォーマンスを改善するために、PRISMを適用します。
我々は、PRISM-TSSがターゲットデータサブセット選択に対するいくつかの既存のアプローチを一般化し、接続していることを示した。
第2に、PRISMをよりニュアンスなターゲット要約(PRISM-TSUM)に適用し、データ(例えば、画像コレクション、テキスト、ビデオ)をユーザーの意図を増すことなく、より迅速な人的消費のために要約する。
PRISM-TSUMは、クエリ指向、トピック非関連、プライバシ保存、更新要約など、複数のターゲット要約を統一的に処理する。
また, PRISM-TSUMは, 対象の要約に関する過去の研究を一般化し, 統一していることを示す。
画像分類と画像収集要約に関する広範な実験を通じて、PRISM-TSSとPRISM-TSUMの最先端の優位性を実証的に検証しています。
関連論文リスト
- Major Entity Identification: A Generalizable Alternative to Coreference Resolution [22.238377215355545]
代替参照タスクであるMajor Entity Identification (MEI)を提案する。
我々は、MEIモデルが複数のデータセット上のドメインにわたってよく一般化されていることを実証する。
MEIはまた、ユーザが特定のエンティティや関心のあるエンティティのグループのすべての言及を検索できるので、実用的な使用法である。
論文 参考訳(メタデータ) (2024-06-20T18:17:58Z) - Theoretical Analysis of Submodular Information Measures for Targeted Data Subset Selection [1.9116784879310025]
サブモジュール・ミューチュアル・インフォメーション(SMI)は、文学における複数のタスクにまたがって適用され、ターゲットとするサブセット選択を行う。
我々は、サブセットの関連性や対象データのカバレッジに対する感度の観点から、SMIの理論的保証を提供する。
複数のアプリケーションで実証的に成功を収めたSMI関数は、理論的には、クエリ関連性およびクエリカバレッジが良好であることを示す。
論文 参考訳(メタデータ) (2024-02-21T01:18:32Z) - UP-DP: Unsupervised Prompt Learning for Data Pre-Selection with
Vision-Language Models [24.50445616970387]
我々は、データ事前選択に視覚言語モデルを適用する、シンプルで効果的な教師なしのプロンプト学習手法UP-DPを導入する。
具体的には,BLIP-2パラメータを凍結することにより,テキストプロンプトをトレーニングして,表現性の向上による関節特徴の抽出を行う。
提案手法を,異なる設定の7つのベンチマークデータセットを用いて,最先端の手法と比較し,最大20%の性能向上を実現した。
論文 参考訳(メタデータ) (2023-07-20T20:45:13Z) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-05-08T21:48:17Z) - Contrastive Proposal Extension with LSTM Network for Weakly Supervised
Object Detection [52.86681130880647]
画像レベルのラベルしか使用せず、膨大なアノテーションコストを節約できるため、WSOD (Weakly supervised Object Detection) が注目されている。
本稿では,初期提案と拡張提案を比較して,初期提案を最適化する手法を提案する。
PASCAL VOC 2007 と VOC 2012 と MS-COCO のデータセットを用いた実験により,本手法は最先端の結果を得た。
論文 参考訳(メタデータ) (2021-10-14T16:31:57Z) - S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active
Domain Adaptation [49.01925978752677]
現実のシナリオでは、少数のターゲットデータに対してラベルを取得することは可能かもしれません。
我々は,S$3$VAADAを提案する。これは,ラベルに対する最大情報サブセットを選択するための,新しいサブモジュール基準を導入し,また,クラスタベースのDA手順を強化する。
我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおいて、競合する最先端のアプローチよりも一貫して優れています。
論文 参考訳(メタデータ) (2021-09-18T10:53:57Z) - Text Summarization with Latent Queries [60.468323530248945]
本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。
本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。
本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
論文 参考訳(メタデータ) (2021-05-31T21:14:58Z) - A Unified Framework for Generic, Query-Focused, Privacy Preserving and
Update Summarization using Submodular Information Measures [15.520331683061633]
汎用的でクエリを重視し,プライバシーに敏感で,要約タスクを更新するためのリッチなフレームワークとして,サブモジュール情報測度について検討する。
まず,従来の問合せと更新の要約技術が,前述のサブモジュール情報対策の様々なインスタンス化を無意識に用いていることを示す。
合成データセットと既存の実世界の画像収集データセットの両方で実験により得られた知見を実証的に検証した。
論文 参考訳(メタデータ) (2020-10-12T12:03:03Z) - SupMMD: A Sentence Importance Model for Extractive Summarization using
Maximum Mean Discrepancy [92.5683788430012]
SupMMDは、カーネルの2サンプルテストと最大の相違点に基づく、ジェネリックおよび更新の要約のための新しいテクニックである。
DUC-2004 および TAC-2009 データセット上での現在の技術状況を満たしたり超えたりすることで,SupMMD の総合的および更新的要約タスクにおける有効性を示す。
論文 参考訳(メタデータ) (2020-10-06T09:26:55Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z)
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。