論文の概要: Plot2API: Recommending Graphic API from Plot via Semantic Parsing Guided Neural Network

• arxiv url: http://arxiv.org/abs/2104.01032v1
• Date: Fri, 2 Apr 2021 13:08:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 14:01:39.101979
• Title: Plot2API: Recommending Graphic API from Plot via Semantic Parsing Guided Neural Network
• Title（参考訳）: Plot2API: セマンティックパーシングガイドニューラルネットワークによるPlotからのグラフAPIの推奨
• Authors: Zeyu Wang and Sheng Huang and Zhongxin Liu and Meng Yan and Xin Xia and Bei Wang and Dan Yang
• Abstract要約: PlotベースのGraphic APIレコメンデーション(Plot2API)は、研究されていないが意味のある問題です。 Semantic Parsing Guided Neural Network (SPGNN) という新しい深層マルチタスク学習手法を提案する。 SPGNNでは、最近開発されたConvolutional Neural Network(CNN)であるEfficientNetがAPI推奨のバックボーンネットワークとして採用されている。
• 参考スコア（独自算出の注目度）: 13.936788648883068
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Plot-based Graphic API recommendation (Plot2API) is an unstudied but meaningful issue, which has several important applications in the context of software engineering and data visualization, such as the plotting guidance of the beginner, graphic API correlation analysis, and code conversion for plotting. Plot2API is a very challenging task, since each plot is often associated with multiple APIs and the appearances of the graphics drawn by the same API can be extremely varied due to the different settings of the parameters. Additionally, the samples of different APIs also suffer from extremely imbalanced. Considering the lack of technologies in Plot2API, we present a novel deep multi-task learning approach named Semantic Parsing Guided Neural Network (SPGNN) which translates the Plot2API issue as a multi-label image classification and an image semantic parsing tasks for the solution. In SPGNN, the recently advanced Convolutional Neural Network (CNN) named EfficientNet is employed as the backbone network for API recommendation. Meanwhile, a semantic parsing module is complemented to exploit the semantic relevant visual information in feature learning and eliminate the appearance-relevant visual information which may confuse the visual-information-based API recommendation. Moreover, the recent data augmentation technique named random erasing is also applied for alleviating the imbalance of API categories. We collect plots with the graphic APIs used to drawn them from Stack Overflow, and release three new Plot2API datasets corresponding to the graphic APIs of R and Python programming languages for evaluating the effectiveness of Plot2API techniques. Extensive experimental results not only demonstrate the superiority of our method over the recent deep learning baselines but also show the practicability of our method in the recommendation of graphic APIs.
• Abstract（参考訳）: PlotベースのGraphic APIレコメンデーション(Plot2API)は、ソフトウェアエンジニアリングとデータ視覚化のコンテキストにおいて重要な応用として、初心者のプロットガイダンス、グラフィックAPI相関分析、プロットのためのコード変換などがある。 Plot2APIは、各プロットが複数のAPIと関連付けられており、同じAPIで描画されるグラフィックスの外観は、パラメータの設定が異なるため、非常に多様であるため、非常に難しいタスクである。 さらに、異なるAPIのサンプルも極めて不均衡に悩まされている。 Plot2APIに技術がないことを考えると、Plot2APIの問題をマルチラベル画像分類とソリューションのための画像意味解析タスクとして翻訳するセマンティック・パーシング・ガイドニューラルネットワーク(SPGNN)という新しい深層マルチタスク学習手法を提案する。 SPGNNでは、EfficientNetという最近の進歩した畳み込みニューラルネットワーク(CNN)が、APIレコメンデーションのバックボーンネットワークとして採用されている。 一方、意味解析モジュールは、特徴学習における意味的関連視覚情報を活用するために補完され、視覚情報に基づくAPI推奨を混乱させる可能性のある外観関連視覚情報を排除する。 さらに、apiカテゴリの不均衡を軽減するために、ランダム消去と呼ばれる最近のデータ拡張技術も適用されている。 Stack Overflowから描画するグラフィックAPIを使ってプロットを収集し、Plot2APIテクニックの有効性を評価するために、RおよびPythonプログラミング言語のグラフィックAPIに対応する3つの新しいPlot2APIデータセットをリリースする。 近年の深層学習ベースラインよりも,本手法が優れていることを示すとともに,グラフィックAPIの推奨において,本手法の実践性を示す。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• DocGraphLM: Documental Graph Language Model for Information Extraction [15.649726614383388]
  本稿では,事前学習した言語モデルとグラフセマンティクスを組み合わせたフレームワークDocGraphLMを紹介する。 これを実現するために,1)文書を表す共同エンコーダアーキテクチャを提案し,2)文書グラフを再構築するための新しいリンク予測手法を提案する。 3つのSotAデータセットに対する実験により、IEおよびQAタスクにおける一貫した改善とグラフ機能の導入が示された。
  論文  参考訳（メタデータ） (2024-01-05T14:15:36Z)
• FACTUAL: A Benchmark for Faithful and Consistent Textual Scene Graph Parsing [66.70054075041487]
  画像キャプションをシーングラフに変換する既存のシーングラフは、しばしば2種類のエラーに悩まされる。 まず、生成されたシーングラフはキャプションや対応する画像の真の意味を捉えず、忠実さの欠如をもたらす。 第二に、生成されたシーングラフは一貫性が高く、同じセマンティクスは異なるアノテーションで表される。
  論文  参考訳（メタデータ） (2023-05-27T15:38:31Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Location-Free Scene Graph Generation [45.366540803729386]
  シーングラフ生成(SGG)は視覚的理解タスクであり、シーンをエンティティのグラフとして記述し、互いに関連付けることを目的としている。 既存の作業は、バウンディングボックスやセグメンテーションマスクといった形で位置ラベルに依存しており、アノテーションのコストが増加し、データセットの拡張が制限されている。 我々は、この依存関係を破り、位置のないシーングラフ生成(LF-SGG)を導入する。 本課題は, 空間的局所化を明示的に計算することなく, 実体のインスタンスと関係性を予測することを目的とする。
  論文  参考訳（メタデータ） (2023-03-20T08:57:45Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• On the Effectiveness of Pretrained Models for API Learning [8.788509467038743]
  開発者は、Excelファイルのパース、行ごとのテキストファイルの読み書きなど、特定の機能を実装するためにAPIを使うことが多い。 開発者は、より高速でクリーンな方法でアプリケーションを構築するために、自然言語クエリに基づいた自動API使用シーケンス生成の恩恵を受けることができる。 既存のアプローチでは、クエリが与えられたAPIシーケンスの検索や、RNNベースのエンコーダデコーダを使用してAPIシーケンスを生成するために、情報検索モデルを使用している。
  論文  参考訳（メタデータ） (2022-04-05T20:33:24Z)
• End-to-end video instance segmentation via spatial-temporal graph neural networks [30.748756362692184]
  ビデオインスタンスセグメンテーションは、イメージインスタンスセグメンテーションをビデオドメインに拡張する難しいタスクである。 既存のメソッドは、検出とセグメンテーションのサブプロブレムにのみシングルフレーム情報に依存するか、別の後処理ステップとしてハンドラートラッキングを使用する。 上述の制限に対処するグラフニューラルネット(GNN)に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T05:38:08Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• APEX-Net: Automatic Plot Extractor Network [24.299931323012757]
  プロット抽出問題を解決するために,新しい損失関数を持つ深層学習型フレームワークapex-netを提案する。 プロット画像と生データの両方を含む新しい大規模データセットAPEX-1Mを紹介します。 提案手法では,プロット画像上でネットワークの視覚的な結果を示し,プロットの形状をかなり抽出できることを実証する。
  論文  参考訳（メタデータ） (2021-01-15T17:02:36Z)

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。