論文の概要: Generating CCG Categories

• arxiv url: http://arxiv.org/abs/2103.08139v1
• Date: Mon, 15 Mar 2021 05:01:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-16 14:14:55.655165
• Title: Generating CCG Categories
• Title（参考訳）: CCG カテゴリの生成
• Authors: Yufang Liu, Tao Ji, Yuanbin Wu, Man Lan
• Abstract要約: 分類するよりもカテゴリを生成することを提案する。 このカテゴリに関する詳細なビューにより、異なるカテゴリのアノテーションを共有でき、文コンテキストとのインタラクションが強化できることを示した。 提案されたカテゴリジェネレータは、標準的なCCGBankで最先端のタグ付け(95.5%の精度)と解析(89.8%のラベル付きF1)を行うことができる。
• 参考スコア（独自算出の注目度）: 20.154553201329712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous CCG supertaggers usually predict categories using multi-class classification. Despite their simplicity, internal structures of categories are usually ignored. The rich semantics inside these structures may help us to better handle relations among categories and bring more robustness into existing supertaggers. In this work, we propose to generate categories rather than classify them: each category is decomposed into a sequence of smaller atomic tags, and the tagger aims to generate the correct sequence. We show that with this finer view on categories, annotations of different categories could be shared and interactions with sentence contexts could be enhanced. The proposed category generator is able to achieve state-of-the-art tagging (95.5% accuracy) and parsing (89.8% labeled F1) performances on the standard CCGBank. Furthermore, its performances on infrequent (even unseen) categories, out-of-domain texts and low resource language give promising results on introducing generation models to the general CCG analyses.
• Abstract（参考訳）: 以前のCCGスーパータガーは、通常、多クラス分類を用いてカテゴリを予測する。 その単純さにもかかわらず、カテゴリの内部構造は通常無視される。 これらの構造内のリッチなセマンティクスは、カテゴリ間の関係をよりよく扱い、既存のスーパータガーにより堅牢性をもたらすのに役立つでしょう。 本稿では,分類ではなくカテゴリを生成することを提案する。各カテゴリはより小さなアトミックタグのシーケンスに分解され,タガーは正しいシーケンスを生成することを目指す。 このカテゴリに関する詳細なビューにより、異なるカテゴリのアノテーションを共有でき、文コンテキストとのインタラクションが強化できることを示した。 提案されたカテゴリジェネレータは、標準的なCCGBankで最先端のタグ付け(95.5%の精度)と解析(89.8%のラベル付きF1)を行うことができる。 さらに、まれな(見えない)カテゴリ、ドメイン外テキスト、低リソース言語のパフォーマンスは、一般的なCG分析に生成モデルを導入することに有望な結果をもたらします。

関連論文リスト

• Just Leaf It: Accelerating Diffusion Classifiers with Hierarchical Class Pruning [8.209660505275872]
  本稿では、データセット固有の階層的ラベル構造を利用する階層的拡散(HDC)を提案する。 HDCは、維持しながら最大60%の推論を加速し、場合によっては分類精度を向上させる。 我々の研究により、速度と精度のトレードオフの新しい制御機構が実現され、現実世界のアプリケーションでは拡散に基づく分類がより有効になる。
  論文  参考訳（メタデータ） (2024-11-18T21:34:05Z)
• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• Textual Knowledge Matters: Cross-Modality Co-Teaching for Generalized Visual Class Discovery [69.91441987063307]
  Generalized Category Discovery (GCD)は、既知のカテゴリと未知のカテゴリの両方からラベルのないデータをクラスタすることを目的としている。 現在のGCD法は、新しい視覚カテゴリーを発見する際に、人間の認知過程の多様性知覚性を無視する視覚的手がかりのみに依存している。 マルチモーダルなGCDを実現するための2段階のTextGCDフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:06:50Z)
• Learn to Categorize or Categorize to Learn? Self-Coding for Generalized Category Discovery [49.1865089933055]
  テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。 このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。 試行錯誤による評価は, 提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-10-30T17:45:32Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Comparison Knowledge Translation for Generalizable Image Classification [31.530232003512957]
  画像分類タスクにおいて,人間の認識機構をエミュレートする一般化可能なフレームワークを構築した。 本稿では,比較分類器とマッチング判別器を組み合わせた比較分類翻訳ネットワーク(CCT-Net)を提案する。 CCT-Netは、未確認カテゴリにおける驚くほどの一般化能力と、対象カテゴリにおけるSOTA性能を実現する。
  論文  参考訳（メタデータ） (2022-05-07T11:05:18Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• Supertagging the Long Tail with Tree-Structured Decoding of Complex Categories [26.657488131046865]
  現在のCCGスーパータガーは標準的なWSJテストセットで高い精度を達成するが、カテゴリの内部構造を利用するシステムはほとんどない。 木構造予測の新しい手法を含む内部構造を考慮した構築モデルについて検討する。 我々の最高のタグは、長い尾のスーパータグのかなりの部分を復元し、トレーニングで見たことのないCCGカテゴリを生成できる。
  論文  参考訳（メタデータ） (2020-12-02T15:51:36Z)
• Deep Hierarchical Classification for Category Prediction in E-commerce System [16.6932395109085]
  電子商取引システムでは、カテゴリ予測は与えられたテキストのカテゴリを自動的に予測する。 ニューラルネットワークにマルチスケール階層情報を組み込んだDeep Hierarchical Classificationフレームワークを提案する。 また、階層的予測損失を罰する新たな複合損失関数も定義する。
  論文  参考訳（メタデータ） (2020-05-14T02:29:14Z)
• Joint Embedding of Words and Category Labels for Hierarchical Multi-label Text Classification [4.2750700546937335]
  階層的テキスト分類(HTC)は広く注目されており、幅広い応用の見通しがある。 本稿では,HTC の階層的微調整順序ニューロン LSTM (HFT-ONLSTM) に基づくテキストと親カテゴリの結合埋め込みを提案する。
  論文  参考訳（メタデータ） (2020-04-06T11:06:08Z)

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。