論文の概要: Modelling Monotonic and Non-Monotonic Attribute Dependencies with
Embeddings: A Theoretical Analysis
- arxiv url: http://arxiv.org/abs/2106.14431v1
- Date: Mon, 28 Jun 2021 07:29:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 23:16:01.307812
- Title: Modelling Monotonic and Non-Monotonic Attribute Dependencies with
Embeddings: A Theoretical Analysis
- Title（参考訳）: 埋め込みによる単調および非単調属性依存のモデル化:理論的解析
- Authors: Steven Schockaert
- Abstract要約: 本稿では,異なる埋め込み戦略の理論的限界について考察する。
最初に、いくつかのネガティブな結果を示し、最も人気のある埋め込みモデルの中には、基礎的なホーンルールさえもキャプチャできないものもあることを明らかにした。
また、いくつかの埋め込み戦略は、原則としてモノトニックな属性と非モノトニックな属性の依存関係の両方をモデル化することができる。
- 参考スコア（独自算出の注目度）: 33.385069975038746
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During the last decade, entity embeddings have become ubiquitous in
Artificial Intelligence. Such embeddings essentially serve as compact but
semantically meaningful representations of the entities of interest. In most
approaches, vectors are used for representing the entities themselves, as well
as for representing their associated attributes. An important advantage of
using attribute embeddings is that (some of the) semantic dependencies between
the attributes can thus be captured. However, little is known about what kinds
of semantic dependencies can be modelled in this way. The aim of this paper is
to shed light on this question, focusing on settings where the embedding of an
entity is obtained by pooling the embeddings of its known attributes. Our
particular focus is on studying the theoretical limitations of different
embedding strategies, rather than their ability to effectively learn attribute
dependencies in practice. We first show a number of negative results, revealing
that some of the most popular embedding models are not able to capture even
basic Horn rules. However, we also find that some embedding strategies are
capable, in principle, of modelling both monotonic and non-monotonic attribute
dependencies.
- Abstract（参考訳）: 過去10年間で、人工知能ではエンティティ埋め込みがユビキタスになってきた。
このような埋め込みは本質的にコンパクトだが意味的に意味のある表現として機能する。
ほとんどのアプローチでは、ベクターはエンティティ自身を表現するだけでなく、関連する属性を表すために使われる。
属性埋め込みを使用する重要な利点は、属性間の(いくつかの)セマンティックな依存関係をキャプチャできることである。
しかしながら、どのようなセマンティクス依存をこの方法でモデル化できるかは、ほとんど分かっていない。
本研究の目的は, 既知属性の埋め込みをプールすることで, エンティティの埋め込みが得られるような設定に焦点をあてて, この問題を浮き彫りにすることである。
我々の特に焦点は、実際には属性依存を効果的に学習する能力ではなく、異なる埋め込み戦略の理論的限界を研究することである。
まず、いくつかのネガティブな結果を示し、最も人気のある埋め込みモデルのいくつかは、基本的なホーンルールさえキャプチャできないことを明らかにした。
しかし、いくつかの埋め込み戦略は、原則として単調な属性と非単調な属性の依存関係をモデル化することができる。
関連論文リスト
- Meaning Representations from Trajectories in Autoregressive Models [106.63181745054571]
入力テキストを拡張可能なすべてのトラジェクトリの分布を考慮し,自己回帰言語モデルから意味表現を抽出する。
この戦略はプロンプトフリーであり、微調整は必要とせず、事前訓練された自己回帰モデルにも適用できる。
我々は,大規模なモデルから得られた表現が人間のアノテーションとよく一致し,意味的類似性タスクにおける他のゼロショットおよびプロンプトフリーメソッドよりも優れており,標準埋め込みが扱えないより複雑なエンタテインメントや包含タスクの解決に使用できることを実証的に示す。
論文 参考訳（メタデータ） (2023-10-23T04:35:58Z) - Exploiting Semantic Attributes for Transductive Zero-Shot Learning [97.61371730534258]
ゼロショット学習は、視覚的特徴と、そのクラスから学んだ意味的属性の関係を一般化することにより、目に見えないクラスを認識することを目的としている。
本稿では,未知データの意味的属性を生成し,生成過程に付加する新しいZSL法を提案する。
5つの標準ベンチマーク実験により,本手法がゼロショット学習の最先端結果をもたらすことが示された。
論文 参考訳（メタデータ） (2023-03-17T09:09:48Z) - Leveraging Off-the-shelf Diffusion Model for Multi-attribute Fashion
Image Manipulation [27.587905673112473]
ファッション属性編集は、無関係な領域を保存しながら、所定のファッション画像の意味的属性を変換することを目的としたタスクである。
以前の作業では、ジェネレータがターゲット属性を明示的に学習し、変換を直接実行する条件付きGANを使用していた。
画像ネットのような一般的な視覚的セマンティクスに基づいて事前訓練されたオフザシェルフ拡散モデルを利用する分類器誘導拡散について検討する。
論文 参考訳（メタデータ） (2022-10-12T02:21:18Z) - VGSE: Visually-Grounded Semantic Embeddings for Zero-Shot Learning [113.50220968583353]
ゼロショット学習のための識別的視覚特性を含むセマンティック埋め込みを発見することを提案する。
本モデルでは,画像の集合を視覚的類似性に応じて局所的な画像領域の集合に視覚的に分割する。
視覚的に接地されたセマンティック埋め込みは、様々なZSLモデルにまたがる単語埋め込みよりも、大きなマージンで性能を向上することを示した。
論文 参考訳（メタデータ） (2022-03-20T03:49:02Z) - Can I see an Example? Active Learning the Long Tail of Attributes and
Relations [64.50739983632006]
視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。
従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。
このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング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） (2022-03-11T19:28:19Z) - Translational Concept Embedding for Generalized Compositional Zero-shot
Learning [73.60639796305415]
一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。
本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-12-20T21:27:51Z) - Improving Entity Linking through Semantic Reinforced Entity Embeddings [16.868791358905916]
そこで本稿では, コンテキスト共通性の学習を容易にするため, 実体埋め込みに微粒な意味情報を注入する手法を提案する。
エンティティの埋め込みに基づいて、エンティティリンクにおける最先端のパフォーマンスを新たに達成しました。
論文 参考訳（メタデータ） (2021-06-16T00:27:56Z) - Neural Production Systems [90.75211413357577]
視覚環境は、異なるオブジェクトまたはエンティティから構成される。
イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。
私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。
このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
論文 参考訳（メタデータ） (2021-03-02T18:53:20Z) - On Irrelevance of Attributes in Flexible Prediction [0.0]
本稿では,「フレキシブル予測」と呼ばれる漸進的概念形成法により得られた概念階層の特性を解析する。
簡単な属性と組み合わせた属性の選択,個々の属性のスケーリングと分布,およびそれらの相関強度の影響について検討した。
論文 参考訳（メタデータ） (2020-05-25T08:41:48Z)
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。