Fugu-MT 論文翻訳(概要): Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction

論文の概要: Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction

arxiv url: http://arxiv.org/abs/2103.11062v1
Date: Sat, 20 Mar 2021 00:16:29 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 14:57:39.802731
Title: Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction
Title（参考訳）: 確率的制約満足度によるエンティティ関係抽出のためのラベルなしデータの活用
Authors: Kareem Ahmed, Eric Wang, Guy Van den Broeck, Kai-Wei Chang
Abstract要約: シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。本手法では,論理文の正確な意味を捉える意味的損失を用いる。低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
参考スコア（独自算出の注目度）: 54.06292969184476
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the problem of entity-relation extraction in the presence of symbolic domain knowledge. Such knowledge takes the form of an ontology defining relations and their permissible arguments. Previous approaches set out to integrate such knowledge in their learning approaches either through self-training, or through approximations that lose the precise meaning of the logical expressions. By contrast, our approach employs semantic loss which captures the precise meaning of a logical sentence through maintaining a probability distribution over all possible states, and guiding the model to solutions which minimize any constraint violations. With a focus on low-data regimes, we show that semantic loss outperforms the baselines by a wide margin.
Abstract（参考訳）: 記号的ドメイン知識の存在下でのエンティティ関係抽出の問題について検討する。このような知識は、関係とその許容可能な議論を定義するオントロジーの形式を取る。それまでのアプローチでは、自己学習や論理的表現の正確な意味を失う近似を通じて、これらの知識を学習アプローチに統合しようとしていた。対照的に,本手法では,可能なすべての状態の確率分布を維持しながら論理文の正確な意味を捉え,制約違反を最小限にする解にモデルを導く意味損失を用いる。低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。

関連論文リスト

Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
論文参考訳（メタデータ） (2024-05-30T10:49:22Z)
Semantic Objective Functions: A distribution-aware method for adding logical constraints in deep learning [4.854297874710511]
制約付き学習と知識蒸留技術は有望な結果を示した。本稿では,機械学習モデルに知識を付加した論理的制約を組み込むロスベース手法を提案する。本手法は,論理的制約のある分類タスクを含む,様々な学習課題において評価する。
論文参考訳（メタデータ） (2024-05-03T19:21:47Z)
Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
論文参考訳（メタデータ） (2023-12-18T09:58:19Z)
Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
論文参考訳（メタデータ） (2023-08-24T06:50:07Z)
Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。トラクタブル回路において,これを効率的に計算する方法を示す。我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文参考訳（メタデータ） (2023-02-28T00:04:22Z)
On the Fundamental Trade-offs in Learning Invariant Representations [7.868449549351487]
データとそれに対応するターゲットとセマンティック属性間の統計的依存関係によって引き起こされるユーティリティとセマンティック依存の2つの基本的なトレードオフを特定し、決定する。本稿では,代表問題に対するトレードオフを数値的に定量化し,ベースライン表現学習アルゴリズムによる解と比較する。
論文参考訳（メタデータ） (2021-09-08T01:26:46Z)
Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。本稿では,理論的観点から,そのような手法の性能について考察する。交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文参考訳（メタデータ） (2020-11-03T15:33:10Z)
Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
論文参考訳（メタデータ） (2020-07-25T05:29:34Z)
Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文参考訳（メタデータ） (2020-07-07T18:25:25Z)
Explainable Link Prediction for Emerging Entities in Knowledge Graphs [44.87285668747474]
クロスドメイン知識グラフは固有の不完全性と疎性に悩まされる。リンク予測は、ソースエンティティとクエリ関係が与えられたターゲットエンティティを推論することで、これを緩和することができる。本稿では,未確認なエンティティの表現を学習可能な帰納的表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-05-01T22:17:37Z)

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。