論文の概要: More than just Frequency? Demasking Unsupervised Hypernymy Prediction Methods

• arxiv url: http://arxiv.org/abs/2106.00055v1
• Date: Mon, 31 May 2021 18:41:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 07:09:46.343904
• Title: More than just Frequency? Demasking Unsupervised Hypernymy Prediction Methods
• Title（参考訳）: 周波数以上のもの? Demasking Unsupervised Hypernymy Prediction Methods
• Authors: Thomas Bott, Dominik Schlechtweg and Sabine Schulte im Walde
• Abstract要約: ハイパーネミー予測の教師なしの方法(すなわち、魚の巣のような一対の単語の中でどの単語がハイパーネムであり、偽名であるかを予測する) WeedsPrec, invCL, SLQS Rowの3つの手法は重なり、周波数ベースの予測と強く相関している。 2階法SLQSは、全体的な精度は低いが、他の方法が間違っているかを正確に予測する。
• 参考スコア（独自算出の注目度）: 18.279736135826038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a comparison of unsupervised methods of hypernymy prediction (i.e., to predict which word in a pair of words such as fish-cod is the hypernym and which the hyponym). Most importantly, we demonstrate across datasets for English and for German that the predictions of three methods (WeedsPrec, invCL, SLQS Row) strongly overlap and are highly correlated with frequency-based predictions. In contrast, the second-order method SLQS shows an overall lower accuracy but makes correct predictions where the others go wrong. Our study once more confirms the general need to check the frequency bias of a computational method in order to identify frequency-(un)related effects.
• Abstract（参考訳）: 本稿では,ハイパーニーミー予測の教師なし手法(すなわち,フィッシュコッドのような一対の単語中のどの単語がハイパーニームで,どの単語が低音かを予測する)の比較を行う。 最も重要なことは、英語とドイツ語のデータセットにまたがって、3つの方法(weedsprec、invcl、slqs row)の予測が強く重なり、周波数ベースの予測と高い相関があることを示すことである。 対照的に、二階法slqsは全体として低い精度を示すが、他の方法の誤りを正しく予測する。 本研究は, 周波数関連効果を同定するために, 計算手法の周波数バイアスをチェックする必要があることを再度確認する。

関連論文リスト

• Correct after Answer: Enhancing Multi-Span Question Answering with Post-Processing Method [11.794628063040108]
  マルチスパン質問回答(Multi-Span Question Answering、MSQA)は、ある質問に答えるために、与えられたコンテキストから1つまたは複数の回答スパンを抽出するモデルを必要とする。 本稿では,不正確な予測処理に後処理戦略を用いるAnswering-Classifying-Correcting(ACC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-22T08:04:32Z)
• Joint Prediction Regions for time-series models [0.0]
  IIDデータの場合、JPR(Joint Prediction Region)の計算は容易である。 このプロジェクトは、JPRを構築するWolfとWunderliのメソッドを実装し、他のメソッドと比較することを目的としている。
  論文  参考訳（メタデータ） (2024-05-14T02:38:49Z)
• Max-Rank: Efficient Multiple Testing for Conformal Prediction [43.56898111853698]
  多重仮説テスト(MHT)は、ゲノミクスから心理学まで、様々な科学分野において一般的に発生し、多くの仮説のテストが同時にタイプIエラーのリスクを増大させる。 本稿では,これらの依存関係を有効活用する新たな補正法であるtextttmax-rank$を提案する。
  論文  参考訳（メタデータ） (2023-11-17T22:44:22Z)
• Cross-Prediction-Powered Inference [15.745692520785074]
  クロスプレディクション(Cross-prediction)は、機械学習を利用した推論の検証方法である。 予測による推論の適応よりもクロス予測の方が一貫して強力であることを示す。
  論文  参考訳（メタデータ） (2023-09-28T17:01:58Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Coherent False Seizure Prediction in Epilepsy, Coincidence or Providence? [0.2770822269241973]
  機械学習を用いた清水予測は可能であるが、その性能は理想的ではない。 本稿では,長期データセット上での2つのアルゴリズムの誤報と誤報について検討する。
  論文  参考訳（メタデータ） (2021-10-26T10:25:14Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。