Fugu-MT 論文翻訳(概要): GTN-ED: Event Detection Using Graph Transformer Networks

論文の概要: GTN-ED: Event Detection Using Graph Transformer Networks

arxiv url: http://arxiv.org/abs/2104.15104v1
Date: Fri, 30 Apr 2021 16:35:29 GMT
ステータス: 処理完了
システム内更新日: 2021-05-03 14:28:08.361202
Title: GTN-ED: Event Detection Using Graph Transformer Networks
Title（参考訳）: GTN-ED:グラフトランスを用いたイベント検出
Authors: Sanghamitra Dutta and Liang Ma and Tanay Kumar Saha and Di Lu and Joel Joel Tetreault and Alex Jaimes
Abstract要約: 本稿では,GTN(Graph Transformer Networks)という手法を用いて,依存関係とラベルの両方を組み込むための新しいフレームワークを提案する。我々はgtnを統合し,既存の2つの均質グラフモデルへの依存関係を活用し,aceデータセットにおけるf1スコアの改善を示す。
参考スコア（独自算出の注目度）: 12.96137943176861
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent works show that the graph structure of sentences, generated from dependency parsers, has potential for improving event detection. However, they often only leverage the edges (dependencies) between words, and discard the dependency labels (e.g., nominal-subject), treating the underlying graph edges as homogeneous. In this work, we propose a novel framework for incorporating both dependencies and their labels using a recently proposed technique called Graph Transformer Networks (GTN). We integrate GTNs to leverage dependency relations on two existing homogeneous-graph-based models, and demonstrate an improvement in the F1 score on the ACE dataset.
Abstract（参考訳）: 近年の研究では、依存パーサから生成される文のグラフ構造が、イベント検出を改善する可能性を秘めている。しかし、しばしば単語間のエッジ(依存性)のみを利用し、依存ラベル(例:名目-サブジェクト)を破棄し、基礎となるグラフエッジを均質として扱う。本稿では,グラフトランスフォーマーネットワーク(GTN)と呼ばれる手法を用いて,依存関係とラベルを一体化するための新しいフレームワークを提案する。我々はgtnを統合し,既存の2つの均質グラフモデルへの依存関係を活用し,aceデータセットにおけるf1スコアの改善を示す。

関連論文リスト

A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
Pairwise Alignment Improves Graph Domain Adaptation [16.626928606474173]
この研究は、グラフデータ上の分散シフトのユニークな複雑さに対処するために、グラフドメイン適応(GDA)に注力する。本稿では,グラフ構造変化に対応する新しい理論的手法であるペアワイズアライメント(ペアワイズアライメント)を提案する。提案手法は,ソーシャルネットワークの領域シフトを伴うノード分類を含む実世界のアプリケーションにおいて,優れた性能を示す。
論文参考訳（メタデータ） (2024-03-02T04:31:28Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
TGNN: A Joint Semi-supervised Framework for Graph-level Classification [34.300070497510276]
我々は、ツイングラフニューラルネットワーク(TGNN)と呼ばれる新しい半教師付きフレームワークを提案する。グラフ構造情報を補完的なビューから探索するために、TGNNにはメッセージパッシングモジュールとグラフカーネルモジュールがあります。我々は,TGNNを様々な公開データセットで評価し,高い性能が得られることを示す。
論文参考訳（メタデータ） (2023-04-23T15:42:11Z)
Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文参考訳（メタデータ） (2023-03-14T20:35:45Z)
Entailment Graph Learning with Textual Entailment and Soft Transitivity [69.91691115264132]
テキスト・エンタテインメント・トランジシティー(EGT2)を用いた2段階のエンタテインメント・グラフを提案する。 EGT2 は CCG パースした述語によって形成されるテンプレート文間のテキスト的含意を認識することにより、局所的含意関係を学習する。生成した局所グラフに基づいて、EGT2は3つの新しいソフトな推移性制約を用いて、包含構造における論理的推移性を考える。
論文参考訳（メタデータ） (2022-04-07T08:33:06Z)
GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文参考訳（メタデータ） (2022-02-08T14:19:19Z)
Syntax-Aware Graph-to-Graph Transformer for Semantic Role Labelling [18.028902306143102]
本稿では,グラフ関係を埋め込みとして入力する新しい手法を用いて,構文構造を符号化する構文対応グラフ変換器(SynG2G-Tr)モデルを提案する。このアプローチは、構文構造に従う注意パターンに対してソフトなバイアスを与えるが、モデルがこの情報を使って代替パターンを学ぶことを可能にする。本研究では,スパンベースと依存性ベースの両方のSRLデータセット上でモデルを評価し,ドメイン内設定とドメイン外設定の両方において,従来の代替手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-15T18:14:18Z)
Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文参考訳（メタデータ） (2020-10-12T03:01:40Z)
Contextualised Graph Attention for Improved Relation Extraction [18.435408046826048]
グラフベースのネットワークにおいて,複数のサブグラフを用いてリッチノード表現を学習する手法が提案されている。 GATモデルとGCNモデルとを効果的に組み合わせて関係抽出に適用する2種類のエッジ特徴を提案する。提案したモデルは、Semeval 2010 Task 8データセット上で最先端のパフォーマンスを達成し、F1スコア86.3を達成する。
論文参考訳（メタデータ） (2020-04-22T15:04:52Z)

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。