論文の概要: Artificial Intelligence Algorithms for Natural Language Processing and
the Semantic Web Ontology Learning
- arxiv url: http://arxiv.org/abs/2108.13772v1
- Date: Tue, 31 Aug 2021 11:57:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 14:31:37.487340
- Title: Artificial Intelligence Algorithms for Natural Language Processing and
the Semantic Web Ontology Learning
- Title（参考訳）: 自然言語処理のための人工知能アルゴリズムとセマンティックwebオントロジー学習
- Authors: Bryar A. Hassan and Tarik A. Rashid
- Abstract要約: 新しい進化的クラスタリングアルゴリズム(ECA*)が提案されている。
5つの最先端アプローチに対してECA*を評価する実験を行った。
その結果,ECA*は,適切なクラスタを見つける能力において,その競争力を克服していることがわかった。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Evolutionary clustering algorithms have considered as the most popular and
widely used evolutionary algorithms for minimising optimisation and practical
problems in nearly all fields. In this thesis, a new evolutionary clustering
algorithm star (ECA*) is proposed. Additionally, a number of experiments were
conducted to evaluate ECA* against five state-of-the-art approaches. For this,
32 heterogeneous and multi-featured datasets were used to examine their
performance using internal and external clustering measures, and to measure the
sensitivity of their performance towards dataset features in the form of
operational framework. The results indicate that ECA* overcomes its competitive
techniques in terms of the ability to find the right clusters. Based on its
superior performance, exploiting and adapting ECA* on the ontology learning had
a vital possibility. In the process of deriving concept hierarchies from
corpora, generating formal context may lead to a time-consuming process.
Therefore, formal context size reduction results in removing uninterested and
erroneous pairs, taking less time to extract the concept lattice and concept
hierarchies accordingly. In this premise, this work aims to propose a framework
to reduce the ambiguity of the formal context of the existing framework using
an adaptive version of ECA*. In turn, an experiment was conducted by applying
385 sample corpora from Wikipedia on the two frameworks to examine the
reduction of formal context size, which leads to yield concept lattice and
concept hierarchy. The resulting lattice of formal context was evaluated to the
original one using concept lattice-invariants. Accordingly, the homomorphic
between the two lattices preserves the quality of resulting concept hierarchies
by 89% in contrast to the basic ones, and the reduced concept lattice inherits
the structural relation of the original one.
- Abstract（参考訳）: 進化的クラスタリングアルゴリズムは、ほぼすべての分野における最適化と実用的問題を最小化するために最も広く使われている進化的アルゴリズムであると考えられている。
この論文では、新しい進化的クラスタリングアルゴリズム(ECA*)が提案されている。
さらに、5つの最先端アプローチに対してECA*を評価するために、いくつかの実験が行われた。
このために、32の異種および多機能データセットを使用して、内部クラスタリングと外部クラスタリングを使用してパフォーマンスを調べ、運用フレームワークの形式でデータセット機能に対するパフォーマンスの感度を測定した。
その結果,ECA*は,適切なクラスタを見つける能力において,競争力を克服していることがわかった。
その優れた性能に基づいて、オントロジー学習におけるeca*の活用と適応は不可欠であった。
概念階層をコーパスから導出する過程において、形式的文脈の生成は時間のかかるプロセスにつながる可能性がある。
したがって、形式的な文脈サイズ削減は、興味のないペアと誤ったペアを除去し、それに従って概念格子と概念階層を抽出する時間が短縮される。
本研究の目的は,ECA*の適応バージョンを用いて,既存のフレームワークの形式的コンテキストの曖昧さを軽減するフレームワークを提案することである。
次に,Wikipediaの385個のサンプルコーパスを2つのフレームワークに適用し,形式的文脈サイズの削減を検証し,概念格子と概念階層を導出する実験を行った。
その結果得られる形式的文脈の格子は、概念格子不変量を用いて元の格子に評価された。
したがって、2つの格子の間の準同型は、基本的なものとは対照的に、結果として生じる概念階層の質を89%保ち、縮小された概念格子は元の格子の構造的関係を継承する。
関連論文リスト
- Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。
提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
論文 参考訳（メタデータ） (2024-04-10T15:51:46Z) - Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。
オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。
大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
論文 参考訳（メタデータ） (2024-02-23T16:50:07Z) - Understanding and Constructing Latent Modality Structures in Multi-modal
Representation Learning [53.68371566336254]
優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。
具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
論文 参考訳（メタデータ） (2023-03-10T14:38:49Z) - Tight Guarantees for Interactive Decision Making with the
Decision-Estimation Coefficient [51.37720227675476]
我々は、決定推定係数の新たな変種を導入し、それを用いて、3つの面における事前の作業を改善する新しい下界を導出する。
我々は同じ量でスケールした後悔について上界を与え、フォスター等における上界と下界の間のギャップの1つを除いて全てを閉じる。
この結果は、後悔のフレームワークとPACフレームワークの両方に適用され、我々が期待するいくつかの新しい分析とアルゴリズム設計技術を利用して、より広範な利用が期待できる。
論文 参考訳（メタデータ） (2023-01-19T18:24:08Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳（メタデータ） (2022-11-26T21:02:09Z) - Supervised Dimensionality Reduction and Classification with
Convolutional Autoencoders [1.1164202369517053]
畳み込みオートエンコーダを組み合わせることで、教師付き次元の減少と予測を同時に生成する。
結果として得られるラテント空間は、伝統的な解釈可能な分類アルゴリズムを改善するために利用することができる。
提案手法は, 生成した潜在空間を通してのデータ構造だけでなく, 分類行動についても, 高度な説明可能性を導入している。
論文 参考訳（メタデータ） (2022-08-25T15:18:33Z) - Formal context reduction in deriving concept hierarchies from corpora
using adaptive evolutionary clustering algorithm star [15.154538450706474]
コーパスから概念階層を導出するプロセスは、通常、時間とリソース集約的なプロセスである。
結果として得られる形式的文脈の格子は、概念的格子不変量を用いて標準格子に評価される。
その結果,適応ECA*は,異なるフィリング比で,他の競合技術よりも高速に概念格子を実行することがわかった。
論文 参考訳（メタデータ） (2021-07-10T07:18:03Z) - Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。
従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。
コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
論文 参考訳（メタデータ） (2021-03-03T20:20:48Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳（メタデータ） (2020-07-14T22:04:17Z)
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。