論文の概要: GitTables: A Large-Scale Corpus of Relational Tables
- arxiv url: http://arxiv.org/abs/2106.07258v1
- Date: Mon, 14 Jun 2021 09:22:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 02:33:27.209412
- Title: GitTables: A Large-Scale Corpus of Relational Tables
- Title(参考訳): GitTables:リレーショナルテーブルの大規模コーパス
- Authors: Madelon Hulsebos, \c{C}a\u{g}atay Demiralp, Paul Groth
- Abstract要約: GitHubから抽出された1.7MリレーショナルテーブルのコーパスであるGitTablesを紹介します。
分析の結果,その構造,内容,話題の範囲は既存のテーブルコーパスと大きく異なることがわかった。
セマンティック型検出モデルをトレーニングしてGitTablesのユースケースを示し、高い予測精度を得る。
- 参考スコア(独自算出の注目度): 4.262693522975888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The practical success of deep learning has sparked interest in improving
relational table tasks, like data search, with models trained on large table
corpora. Existing corpora primarily contain tables extracted from HTML pages,
limiting the capability to represent offline database tables. To train and
evaluate high-capacity models for applications beyond the Web, we need
additional resources with tables that resemble relational database tables.
Here we introduce GitTables, a corpus of currently 1.7M relational tables
extracted from GitHub. Our continuing curation aims at growing the corpus to at
least 20M tables. We annotate table columns in GitTables with more than 2K
different semantic types from Schema.org and DBpedia. Our column annotations
consist of semantic types, hierarchical relations, range types and
descriptions.
The corpus is available at https://gittables.github.io. Our analysis of
GitTables shows that its structure, content, and topical coverage differ
significantly from existing table corpora. We evaluate our annotation pipeline
on hand-labeled tables from the T2Dv2 benchmark and find that our approach
provides results on par with human annotations. We demonstrate a use case of
GitTables by training a semantic type detection model on it and obtain high
prediction accuracy. We also show that the same model trained on tables from
theWeb generalizes poorly.
- Abstract(参考訳): ディープラーニングの実践的な成功は、大規模なテーブルコーパスでトレーニングされたモデルによって、データ検索のようなリレーショナルテーブルタスクの改善への関心を喚起した。
既存のコーパスは、主にHTMLページから抽出されたテーブルを含み、オフラインのデータベーステーブルを表現する能力を制限する。
web以外のアプリケーションの高容量モデルをトレーニングし、評価するには、リレーショナルデータベーステーブルに似たテーブルを持つ追加のリソースが必要です。
これはgithubから抽出された1.7mのリレーショナルテーブルのコーパスである。
私たちの継続的なキュレーションは、コーパスを少なくとも20mのテーブルに拡大することを目的としています。
schema.orgとdbpediaの2k以上のセマンティクスタイプを持つgittablesのテーブル列にアノテートします。
我々の列アノテーションは意味型、階層関係、範囲型、記述からなる。
コーパスはhttps://gittables.github.ioで入手できる。
gittablesの分析の結果,その構造,内容,話題範囲が既存の表コーパスと大きく異なることがわかった。
T2Dv2ベンチマークから手書きのテーブル上でアノテーションパイプラインを評価し,人間のアノテーションと同等の結果が得られた。
意味型検出モデルをトレーニングし,高い予測精度を得ることにより,gittablesのユースケースを実証する。
また、Webからトレーニングされた同じモデルが、あまり一般化していないことも示します。
関連論文リスト
- Table Question Answering for Low-resourced Indic Languages [71.57359949962678]
TableQAは構造化された情報のテーブル上で質問に答え、個々のセルやテーブルを出力として返すタスクである。
予算が限られている低リソース言語を対象とした,完全自動大規模テーブルQAデータ生成プロセスを提案する。
表QAデータセットやモデルを持たない2つのIndic言語であるBengaliとHindiにデータ生成手法を組み込む。
論文 参考訳(メタデータ) (2024-10-04T16:26:12Z) - Multimodal Table Understanding [26.652797853893233]
直感的な視覚情報を使ってテーブルを直接理解する方法は、より実用的なアプリケーションを開発する上で極めて重要かつ緊急の課題である。
そこで我々は,様々なテーブル関連要求に対して,モデルが正しい応答を生成する必要がある,新しい問題であるマルチモーダルテーブル理解を提案する。
汎用マルチモーダル大言語モデル(MLLM)であるTable-LLaVAを開発した。
論文 参考訳(メタデータ) (2024-06-12T11:27:03Z) - CARTE: Pretraining and Transfer for Tabular Learning [10.155109224816334]
このような対応を必要としないニューラルアーキテクチャを提案する。
結果として、マッチしていないバックグラウンドデータに基づいて事前トレーニングを行うことができる。
ベンチマークでは、CARTEが学習を促進し、ベースラインの堅実なセットを上回ることが示されている。
論文 参考訳(メタデータ) (2024-02-26T18:00:29Z) - Relational Deep Learning: Graph Representation Learning on Relational
Databases [69.7008152388055]
複数のテーブルにまたがって配置されたデータを学ぶために、エンドツーエンドの表現アプローチを導入する。
メッセージパッシンググラフニューラルネットワークは、自動的にグラフを学習して、すべてのデータ入力を活用する表現を抽出する。
論文 参考訳(メタデータ) (2023-12-07T18:51:41Z) - Rethinking Image-based Table Recognition Using Weakly Supervised Methods [3.9993134366218857]
本稿では,WSTabNet というテーブル認識のための弱教師付きモデルを提案する。
深層学習によるテーブル認識を容易にするため、ウィキペディアから構築された最大規模の表画像ベースデータセットであるWikiTableSetを作成した。
論文 参考訳(メタデータ) (2023-03-14T06:03:57Z) - OmniTab: Pretraining with Natural and Synthetic Data for Few-shot
Table-based Question Answering [106.73213656603453]
最小限のアノテーションによるテーブルベースのQAモデルを構築した。
本稿では、自然データと合成データの両方を消費する全能事前学習手法を提案する。
論文 参考訳(メタデータ) (2022-07-08T01:23:45Z) - Table Retrieval May Not Necessitate Table-specific Model Design [83.27735758203089]
テーブル検索のタスクに焦点をあてて、"テーブル固有のモデル設計はテーブル検索に必要か?
自然質問データセット (NQ-table) の表に基づく分析の結果, 70%以上の症例では構造が無視できる役割を担っていることがわかった。
次に、テーブル構造、すなわち補助列/カラム埋め込み、ハードアテンションマスク、ソフトリレーションに基づくアテンションバイアスを明示的にエンコードする3つのモジュールを実験する。
いずれも大きな改善は得られず、テーブル固有のモデル設計がテーブル検索に不要である可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-19T20:35:23Z) - TableParser: Automatic Table Parsing with Weak Supervision from
Spreadsheets [5.5347995556789105]
本研究では,ネイティブPDFとスキャン画像の両方のテーブルを高精度に解析できるシステムを提案する。
また、スプレッドシートベースの弱監視機構を構成する TableAnnotator と ExcelAnnotator も作成します。
論文 参考訳(メタデータ) (2022-01-05T15:21:06Z) - Retrieving Complex Tables with Multi-Granular Graph Representation
Learning [20.72341939868327]
自然言語テーブル検索の課題は,自然言語クエリに基づいて意味的に関連するテーブルを検索することである。
既存の学習システムは、テーブルがデータフレームとして構成されているという仮定に基づいて、テーブルをプレーンテキストとして扱う。
多粒グラフ表現学習を用いた一般化可能なNLTRフレームワークであるグラフベーステーブル検索(GTR)を提案する。
論文 参考訳(メタデータ) (2021-05-04T20:19:03Z) - A Graph Representation of Semi-structured Data for Web Question
Answering [96.46484690047491]
本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。
本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
論文 参考訳(メタデータ) (2020-10-14T04:01:54Z) - GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。
我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。
実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
論文 参考訳(メタデータ) (2020-09-29T08:17:58Z)
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。