論文の概要: SEMIE: SEMantically Infused Embeddings with Enhanced Interpretability
for Domain-specific Small Corpus
- arxiv url: http://arxiv.org/abs/2103.11431v1
- Date: Sun, 21 Mar 2021 16:28:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 12:47:42.491345
- Title: SEMIE: SEMantically Infused Embeddings with Enhanced Interpretability
for Domain-specific Small Corpus
- Title（参考訳）: SEMIE: ドメイン特異的スモールコーパスの解釈性を高めたSEMantically infusiond Embeddings
- Authors: Rishabh Gupta and Rajesh N Rao
- Abstract要約: 本稿では,単語埋め込みに対する包括的解釈可能性の概念を提案し,ドメイン固有小コーパスに対して高い解釈可能な埋め込みを生成する新しい手法を提案する。
本報告では,単語埋め込みの評価結果を報告するとともに,解釈可能性向上のための新しい特徴を実証する。
- 参考スコア（独自算出の注目度）: 1.2183405753834562
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Word embeddings are a basic building block of modern NLP pipelines. Efforts
have been made to learn rich, efficient, and interpretable embeddings for large
generic datasets available in the public domain. However, these embeddings have
limited applicability for small corpora from specific domains such as
automotive, manufacturing, maintenance and support, etc. In this work, we
present a comprehensive notion of interpretability for word embeddings and
propose a novel method to generate highly interpretable and efficient
embeddings for a domain-specific small corpus. We report the evaluation results
of our resulting word embeddings and demonstrate their novel features for
enhanced interpretability.
- Abstract（参考訳）: ワード埋め込みは、現代のNLPパイプラインの基本的な構成要素である。
パブリックドメインで利用可能な大規模なジェネリックデータセットに対して、リッチで効率的で解釈可能な組込みを学ぶための努力がなされている。
しかし、これらの埋め込みは、自動車、製造、メンテナンス、サポートなど特定の分野の小さなコーパスに適用性に制限がある。
本研究では,単語埋め込みの包括的解釈可能性の概念を提示し,ドメイン固有小コーパスに対して高い解釈性と効率的な埋め込みを生成する手法を提案する。
本報告では,単語埋め込みの評価結果を報告するとともに,解釈可能性向上のための新しい特徴を示す。
関連論文リスト
- Specifying Genericity through Inclusiveness and Abstractness Continuous Scales [1.024113475677323]
本稿では,自然言語における名詞句(NP)の詳細なモデリングのための新しいアノテーションフレームワークを提案する。
このフレームワークはシンプルで直感的に設計されており、専門家でないアノテータにもアクセスでき、クラウドソースのタスクに適している。
論文 参考訳（メタデータ） (2024-03-22T15:21:07Z) - From Text Segmentation to Smart Chaptering: A Novel Benchmark for
Structuring Video Transcriptions [63.11097464396147]
音声コンテンツに焦点をあてた新しいベンチマークYTSegを導入し、その内容は本質的に非構造的であり、トポロジと構造的にも多様である。
また,高効率な階層分割モデルMiniSegを導入する。
論文 参考訳（メタデータ） (2024-02-27T15:59:37Z) - Explore-Instruct: Enhancing Domain-Specific Instruction Coverage through
Active Exploration [64.58185031596169]
Explore-Instructは、ドメイン固有の命令チューニングで使用されるデータカバレッジを強化する新しいアプローチである。
データ中心分析は、ドメイン固有の命令カバレッジを改善するために提案手法の有効性を検証する。
我々の発見は、特にドメイン固有の文脈において、命令カバレッジを改善するための有望な機会を提供する。
論文 参考訳（メタデータ） (2023-10-13T15:03:15Z) - Made of Steel? Learning Plausible Materials for Components in the
Vehicle Repair Domain [10.068810595932591]
そこで本稿では, 車両修理領域の部品について, 事前学習言語モデル (PLM) をクローズタスクスタイルで探索することにより, ドメイン固有の可塑性材料を学習する手法を提案する。
我々は,一連のクローゼクエリテンプレートから有能な予測を集約する新しい手法を考案し,小さ,高品質,カスタマイズされたウィキペディアコーパスによるドメイン適応が性能を向上させることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:39:44Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳（メタデータ） (2022-01-21T09:01:12Z) - Obtaining Better Static Word Embeddings Using Contextual Embedding
Models [53.86080627007695]
提案手法はCBOWをベースとした簡易な蒸留法である。
副作用として、我々の手法は文脈的および静的な埋め込みの公正な比較を可能にする。
論文 参考訳（メタデータ） (2021-06-08T12:59:32Z) - Group-Sparse Matrix Factorization for Transfer Learning of Word
Embeddings [31.849734024331283]
本稿では,グループパースペナルティによって構造を生かし,学習ドメイン固有の単語埋め込みを効率的に伝達する直感的な推定手法を提案する。
非コーパス目的関数によって同定される局所最小値はすべて、標準正規化条件下での最小値と統計的に区別できないことを証明した。
論文 参考訳（メタデータ） (2021-04-18T18:19:03Z) - Intrinsic Probing through Dimension Selection [69.52439198455438]
現代のほとんどのNLPシステムは、様々なタスクにおいて驚くほど高いパフォーマンスが得られる事前訓練された文脈表現を使用している。
このような高いパフォーマンスは、ある種の言語構造がこれらの表現に根ざしない限りはあり得ず、それを探究する研究が盛んに行われている。
本稿では,言語情報が表現内でどのように構造化されているかを示す内在的探索と,先行研究で広く普及している外在的探索とを区別し,抽出に成功したことを示すことによって,そのような情報の存在を主張するのみである。
論文 参考訳（メタデータ） (2020-10-06T15:21:08Z) - A Comparative Study on Structural and Semantic Properties of Sentence
Embeddings [77.34726150561087]
本稿では,関係抽出に広く利用されている大規模データセットを用いた実験セットを提案する。
異なる埋め込み空間は、構造的および意味的特性に対して異なる強度を持つことを示す。
これらの結果は,埋め込み型関係抽出法の開発に有用な情報を提供する。
論文 参考訳（メタデータ） (2020-09-23T15:45:32Z) - DeCLUTR: Deep Contrastive Learning for Unsupervised Textual
Representations [4.36561468436181]
教師なしテキスト表現のためのDeCLUTR: Deep Contrastive Learningを提案する。
本手法は,ユニバーサル文エンコーダにおける教師なしと教師なしの事前学習のパフォーマンスギャップを埋めるものである。
私たちのコードと事前訓練されたモデルは公開されており、新しいドメインに簡単に適応したり、目に見えないテキストを埋め込むのに使えます。
論文 参考訳（メタデータ） (2020-06-05T20:00:28Z)
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。