論文の概要: Heterogeneous Graph Neural Networks for Multi-label Text Classification

• arxiv url: http://arxiv.org/abs/2103.14620v1
• Date: Fri, 26 Mar 2021 17:33:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 13:52:57.876256
• Title: Heterogeneous Graph Neural Networks for Multi-label Text Classification
• Title（参考訳）: 多ラベルテキスト分類のためのヘテロジニアスグラフニューラルネットワーク
• Authors: Irene Li, Tianxiao Li, Yixin Li, Ruihai Dong, and Toyotaro Suzumura
• Abstract要約: マルチラベルテキスト分類(MLTC)は自然言語処理における魅力的な課題である。 異種グラフのノードとしてトークンやラベルをモデル化することでMLTC問題を解決するための異種グラフ畳み込みネットワークモデルを提案する。 本手法を3つの実世界データセットで評価し, 実験結果から, 大幅な改善を達成し, 最新の比較手法を上回った。
• 参考スコア（独自算出の注目度）: 5.290920289670573
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Multi-label text classification (MLTC) is an attractive and challenging task in natural language processing (NLP). Compared with single-label text classification, MLTC has a wider range of applications in practice. In this paper, we propose a heterogeneous graph convolutional network model to solve the MLTC problem by modeling tokens and labels as nodes in a heterogeneous graph. In this way, we are able to take into account multiple relationships including token-level relationships. Besides, the model allows a good explainability as the token-label edges are exposed. We evaluate our method on three real-world datasets and the experimental results show that it achieves significant improvements and outperforms state-of-the-art comparison methods.
• Abstract（参考訳）: マルチラベルテキスト分類(MLTC)は自然言語処理(NLP)において魅力的な課題である。 シングルラベルのテキスト分類と比較すると、MLTCは実際には幅広い応用がある。 本稿では,ヘテロジニアスグラフのノードとしてトークンやラベルをモデル化し,mltc問題を解決するためのヘテロジニアスグラフ畳み込みネットワークモデルを提案する。 このようにして、トークンレベルの関係を含む複数の関係を考慮できるのです。 さらに、トークンラベルのエッジが露出するにつれて、モデルによる説明性も向上する。 提案手法を実世界の3つのデータセットで評価し, 実験結果から, 大幅な改善を実現し, 最先端比較法を上回る性能を示した。

関連論文リスト

• A data-centric approach for assessing progress of Graph Neural Networks [7.2249434861826325]
  グラフニューラルネットワーク(GNN)はノード分類タスクにおいて最先端の結果を得た。 主な改善点はマルチクラスの分類であり、各ノードが複数のラベルを持つ場合に焦点を当てない。 マルチラベルノード分類を研究する上での第一の課題は、公開データセットの不足である。
  論文  参考訳（メタデータ） (2024-06-18T09:41:40Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
  grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。 具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。 各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2023-05-10T04:02:08Z)
• Multi-label Node Classification On Graph-Structured Data [7.892731722253387]
  グラフニューラルネットワーク(GNN)では、グラフ上のノード分類タスクの最先端の改善が示されている。 それぞれのノードが複数のラベルを持つことができる、より一般的で現実的なシナリオは、これまでほとんど注目されなかった。 実世界の3つの生物データセットを収集・リリースし、マルチラベルグラフ生成器を開発する。
  論文  参考訳（メタデータ） (2023-04-20T15:34:20Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Hierarchical Heterogeneous Graph Representation Learning for Short Text Classification [60.233529926965836]
  短文分類のためのグラフニューラルネットワーク(GNN)に基づく ShiNE と呼ばれる新しい手法を提案する。 まず,短文データセットを単語レベル成分グラフからなる階層的不均一グラフとしてモデル化する。 そして、類似した短いテキスト間の効果的なラベル伝搬を容易にするショート文書グラフを動的に学習する。
  論文  参考訳（メタデータ） (2021-10-30T05:33:05Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Multi-Label Text Classification using Attention-based Graph Neural Network [0.0]
  ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。 提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
  論文  参考訳（メタデータ） (2020-03-22T17:12:43Z)

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。