Fugu-MT 論文翻訳(概要): Tree Decomposition Attention for AMR-to-Text Generation

論文の概要: Tree Decomposition Attention for AMR-to-Text Generation

arxiv url: http://arxiv.org/abs/2108.12300v1
Date: Fri, 27 Aug 2021 14:24:25 GMT
ステータス: 処理完了
システム内更新日: 2021-08-30 14:18:14.333464
Title: Tree Decomposition Attention for AMR-to-Text Generation
Title（参考訳）: AMR-to-Text 生成のための木分解注意
Authors: Lisa Jin, Daniel Gildea
Abstract要約: グラフ内の自己注意を制限するために、グラフのツリー分解を使用します。動的プログラミングを用いて木分解の森を導出し、AMRと最も構造的に類似した木を選択する。我々のシステムは1.6BLEUと1.8chrF++の自励ベースラインを上回ります。
参考スコア（独自算出の注目度）: 12.342043849587613
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Text generation from AMR requires mapping a semantic graph to a string that it annotates. Transformer-based graph encoders, however, poorly capture vertex dependencies that may benefit sequence prediction. To impose order on an encoder, we locally constrain vertex self-attention using a graph's tree decomposition. Instead of forming a full query-key bipartite graph, we restrict attention to vertices in parent, subtree, and same-depth bags of a vertex. This hierarchical context lends both sparsity and structure to vertex state updates. We apply dynamic programming to derive a forest of tree decompositions, choosing the most structurally similar tree to the AMR. Our system outperforms a self-attentive baseline by 1.6 BLEU and 1.8 chrF++.
Abstract（参考訳）: AMRからテキストを生成するには、意味グラフをアノテートする文字列にマッピングする必要がある。しかし、トランスフォーマーベースのグラフエンコーダは、シーケンス予測に役立つ頂点依存性を貧弱に捉えている。エンコーダに順序を課すため、グラフの木分解を用いて局所的に頂点自己アテンションを制約する。完全なクエリキー二部グラフを形成する代わりに、親、サブツリー、頂点の同じ深さの袋の頂点に注意を向ける。この階層的なコンテキストは、スパーシリティと構造の両方を頂点状態の更新に役立てる。動的プログラミングを用いて木分解の森を導出し、AMRと最も構造的に類似した木を選択する。システムの性能は1.6BLEUと1.8chrF++で向上する。

関連論文リスト

Graph Generation with $K^2$-trees [13.281380233427287]
K2$-tree表現を利用した新しいグラフ生成手法を提案する。また、プルーニング、フラットニング、トークン化プロセスを組み込んだシーケンシャルな$K2$-treerepresentationを提示する。グラフ生成の優位性を確認するため,本アルゴリズムを4つの一般および2つの分子グラフデータセット上で広範囲に評価した。
論文参考訳（メタデータ） (2023-05-30T15:36:37Z)
Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文参考訳（メタデータ） (2023-05-24T11:05:12Z)
Structural Optimization Makes Graph Classification Simpler and Better [5.770986723520119]
モデル学習プロセスを簡素化しつつ,グラフ分類性能の向上の可能性を検討する。構造情報アセスメントの進歩に触発されて、グラフから木をコードするデータサンプルを最適化する。本稿では,木カーネルと畳み込みネットワークにこのスキームを実装し,グラフ分類を行う。
論文参考訳（メタデータ） (2021-09-05T08:54:38Z)
Latent Tree Decomposition Parsers for AMR-to-Text Generation [12.342043849587613]
エッジを階層にクラスタリングすることで、ツリー分解はグラフ構造を要約する。我々のモデルは木分解の森を符号化し、期待された木を抽出する。分子特性予測のための畳み込み基底線を1.92%のROC-AUCで上回る。
論文参考訳（メタデータ） (2021-08-27T14:30:35Z)
TD-GEN: Graph Generation With Tree Decomposition [31.751200416677225]
TD-GENは木分解に基づくグラフ生成フレームワークである。ツリーノードはスーパーノードであり、それぞれがグラフ内のノードのクラスタを表す。
論文参考訳（メタデータ） (2021-06-20T08:57:43Z)
Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
論文参考訳（メタデータ） (2021-02-11T08:48:48Z)
TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning [24.04035265351755]
本研究では,グラフを木に転送する手法について検討し,特徴統合を局所的からグローバル的へと導くための明確な順序を学習する。グラフツリー画像からパターンを最もよく学習するために,2次元RNNアーキテクチャであるTreeRNNを提案する。
論文参考訳（メタデータ） (2020-06-21T15:22:24Z)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)
Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文参考訳（メタデータ） (2020-04-05T13:09:37Z)
Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文参考訳（メタデータ） (2020-03-10T02:33:14Z)
Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。