論文の概要: DomiKnowS: A Library for Integration of Symbolic Domain Knowledge in Deep Learning

• arxiv url: http://arxiv.org/abs/2108.12370v1
• Date: Fri, 27 Aug 2021 16:06:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:26:06.617334
• Title: DomiKnowS: A Library for Integration of Symbolic Domain Knowledge in Deep Learning
• Title（参考訳）: DomiKnowS:ディープラーニングにおけるシンボリックドメイン知識の統合のためのライブラリ
• Authors: Hossein Rajaby Faghihi, Quan Guo, Andrzej Uszok, Aliakbar Nafar, Elaheh Raisi, and Parisa Kordjamshidi
• Abstract要約: ディープラーニングアーキテクチャにおけるドメイン知識の統合のためのライブラリを実演する。 このライブラリを使用すると、データの構造はグラフ宣言によって象徴的に表現される。 ドメイン知識は明確に定義することができ、モデルの説明可能性を改善する。
• 参考スコア（独自算出の注目度）: 12.122347427933637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We demonstrate a library for the integration of domain knowledge in deep learning architectures. Using this library, the structure of the data is expressed symbolically via graph declarations and the logical constraints over outputs or latent variables can be seamlessly added to the deep models. The domain knowledge can be defined explicitly, which improves the models' explainability in addition to the performance and generalizability in the low-data regime. Several approaches for such an integration of symbolic and sub-symbolic models have been introduced; however, there is no library to facilitate the programming for such an integration in a generic way while various underlying algorithms can be used. Our library aims to simplify programming for such an integration in both training and inference phases while separating the knowledge representation from learning algorithms. We showcase various NLP benchmark tasks and beyond. The framework is publicly available at Github(https://github.com/HLR/DomiKnowS).
• Abstract（参考訳）: ディープラーニングアーキテクチャにおけるドメイン知識の統合のためのライブラリを実演する。 このライブラリを使用すると、データの構造はグラフ宣言を通じて象徴的に表現され、出力や潜在変数に対する論理的な制約を深層モデルにシームレスに追加することができる。 ドメイン知識は明確に定義することができ、低データ体制の性能と一般化性に加えて、モデルの説明可能性を改善することができる。 このようなシンボリックモデルとサブシンボリックモデルを統合するためのいくつかのアプローチが導入されたが、そのような統合を汎用的にプログラミングするためのライブラリは存在せず、基礎となる様々なアルゴリズムが利用できる。 本ライブラリは,学習アルゴリズムから知識表現を分離しつつ,学習段階と推論段階の両方の統合を簡略化することを目的としている。 様々なNLPベンチマークタスクを紹介します。 このフレームワークはgithubで公開されている(https://github.com/hlr/domiknows)。

関連論文リスト

• Exploiting the Semantic Knowledge of Pre-trained Text-Encoders for Continual Learning [70.64617500380287]
  継続的な学習は、モデルが学習した知識を維持しながら、新しいデータから学習することを可能にする。 画像のラベル情報で利用できるセマンティック知識は、以前に取得したセマンティッククラスの知識と関連する重要なセマンティック情報を提供する。 テキスト埋め込みを用いて意味的類似性を把握し,タスク内およびタスク間のセマンティックガイダンスの統合を提案する。
  論文  参考訳（メタデータ） (2024-08-02T07:51:44Z)
• pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
  pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。 pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
  論文  参考訳（メタデータ） (2022-11-07T14:23:10Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• CLEVR Parser: A Graph Parser Library for Geometric Learning on Language Grounded Image Scenes [2.750124853532831]
  CLEVRデータセットは、機械学習(ML)と自然言語処理(NLP)ドメインにおいて、言語基盤の視覚的推論で広く使用されている。 本稿では,CLEVR用のグラフライブラリについて述べる。オブジェクト中心属性と関係抽出の機能を提供し,デュアルモーダル性のための構造グラフ表現の構築を行う。 図書館の下流利用と応用について論じるとともに,NLP研究コミュニティにおける研究の促進について論じる。
  論文  参考訳（メタデータ） (2020-09-19T03:32:37Z)
• Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
  我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。 このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。 分類モデルと非分類モデルの両方に使用できる。
  論文  参考訳（メタデータ） (2020-09-16T18:57:57Z)
• Synbols: Probing Learning Algorithms with Synthetic Datasets [112.45883250213272]
  Synbolsは、低解像度画像にレンダリングされた潜在機能のリッチな構成で、新しいデータセットを高速に生成するツールである。 ツールの高レベルインターフェースは、潜在機能で新しいディストリビューションを高速に生成するための言語を提供する。 Synbolsの汎用性を示すために,各種学習環境における標準学習アルゴリズムの限界と欠陥を識別するために,本手法を用いる。
  論文  参考訳（メタデータ） (2020-09-14T13:03:27Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)
• Incorporating Joint Embeddings into Goal-Oriented Dialogues with Multi-Task Learning [8.662586355051014]
  本稿では,知識グラフとコーパスの結合埋め込みを入力としてトレーニングしたRNNベースのエンド・ツー・エンド・エンド・エンコーダ・デコーダアーキテクチャを提案する。 このモデルは、マルチタスク学習パラダイムでトレーニングされたテキスト生成とともに、ユーザ意図のさらなる統合を提供する。
  論文  参考訳（メタデータ） (2020-01-28T17:15:02Z)

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。