Fugu-MT 論文翻訳(概要): Psycholinguistic Tripartite Graph Network for Personality Detection

論文の概要: Psycholinguistic Tripartite Graph Network for Personality Detection

arxiv url: http://arxiv.org/abs/2106.04963v1
Date: Wed, 9 Jun 2021 10:18:50 GMT
ステータス: 処理完了
システム内更新日: 2021-06-10 15:13:03.571136
Title: Psycholinguistic Tripartite Graph Network for Personality Detection
Title（参考訳）: パーソナリティ検出のための心理言語三部グラフネットワーク
Authors: Tao Yang, Feifan Yang, Haolan Ouyang, Xiaojun Quan
Abstract要約: 本稿では,心理学的知識に基づく三部グラフネットワークTrigNetを提案する。このグラフネットワークは、精神言語分析のためのコンピュータ化された機器であるLIWCから構造的精神言語学の知識を注入する。グラフ学習における計算コストを削減するため,近隣の相手間でのみメッセージを送信する新しいフローグラフアテンションネットワーク(GAT)を提案する。
参考スコア（独自算出の注目度）: 9.620830488893098
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most of the recent work on personality detection from online posts adopts multifarious deep neural networks to represent the posts and builds predictive models in a data-driven manner, without the exploitation of psycholinguistic knowledge that may unveil the connections between one's language usage and his psychological traits. In this paper, we propose a psycholinguistic knowledge-based tripartite graph network, TrigNet, which consists of a tripartite graph network and a BERT-based graph initializer. The graph network injects structural psycholinguistic knowledge from LIWC, a computerized instrument for psycholinguistic analysis, by constructing a heterogeneous tripartite graph. The graph initializer is employed to provide initial embeddings for the graph nodes. To reduce the computational cost in graph learning, we further propose a novel flow graph attention network (GAT) that only transmits messages between neighboring parties in the tripartite graph. Benefiting from the tripartite graph, TrigNet can aggregate post information from a psychological perspective, which is a novel way of exploiting domain knowledge. Extensive experiments on two datasets show that TrigNet outperforms the existing state-of-art model by 3.47 and 2.10 points in average F1. Moreover, the flow GAT reduces the FLOPS and Memory measures by 38% and 32%, respectively, in comparison to the original GAT in our setting.
Abstract（参考訳）: オンライン投稿からの人格検出に関する最近の研究の多くは、多言語的なディープニューラルネットワークを採用して、自分の言語使用と心理的特徴とのつながりを明らかにする可能性のある精神言語的知識を活用せずに、ポストを表現し、データ駆動で予測モデルを構築する。本稿では,三部グラフネットワークとBERTグラフ初期化器からなる心理言語的知識に基づく三部グラフネットワークTrigNetを提案する。グラフネットワークは、異種三部グラフを構築することによって、心理言語解析のためのコンピュータ機器liwcから構造心理学的知識を注入する。グラフ初期化子は、グラフノードの初期埋め込みを提供するために使用される。グラフ学習における計算コストを削減するため,三部グラフ内の隣接する相手間でのみメッセージを送信する新しいフローグラフアテンションネットワーク(GAT)を提案する。 tripartite graphの恩恵を受けたtrignetは、ドメイン知識を利用する新しい方法である心理的な観点から、ポスト情報を集約することができる。 2つのデータセットの大規模な実験により、TrigNetは既存の最先端モデルを平均F1で3.47と2.10ポイント上回っている。さらに、フローgatは、設定時の元のgatと比較して、フロップおよびメモリ測度をそれぞれ38%および32%削減する。

関連論文リスト

Knowledge Enhanced Graph Neural Networks for Graph Completion [0.0]
Knowledge Enhanced Graph Neural Networks (KeGNN)は、グラフ補完のためのニューラルシンボリックなフレームワークである。 KeGNNは、知識強化レイヤを積み重ねた基盤としてグラフニューラルネットワークで構成されている。我々はKeGNNを、最先端のグラフニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワークの2つと組み合わせてインスタンス化する。
論文参考訳（メタデータ） (2023-03-27T07:53:43Z)
Affinity-Aware Graph Networks [9.888383815189176]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを学ぶための強力なテクニックとして登場した。グラフニューラルネットワークの特徴としてアフィニティ尺度の利用について検討する。本稿では,これらの特徴に基づくメッセージパッシングネットワークを提案し,その性能を様々なノードおよびグラフ特性予測タスクで評価する。
論文参考訳（メタデータ） (2022-06-23T18:51:35Z)
Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文参考訳（メタデータ） (2022-05-31T12:24:01Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
グラフ表現学習に自己教師付き学習機構を導入する。本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
論文参考訳（メタデータ） (2021-08-10T07:53:09Z)
Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文参考訳（メタデータ） (2020-09-30T04:59:10Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文参考訳（メタデータ） (2020-07-13T17:59:31Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
論文参考訳（メタデータ） (2020-05-07T18:00:02Z)

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。