論文の概要: Efficient Mind-Map Generation via Sequence-to-Graph and Reinforced Graph Refinement

• arxiv url: http://arxiv.org/abs/2109.02457v1
• Date: Mon, 6 Sep 2021 13:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:43:16.100274
• Title: Efficient Mind-Map Generation via Sequence-to-Graph and Reinforced Graph Refinement
• Title（参考訳）: シーケンストグラフと強化グラフによる効率的なマインドマップ生成
• Authors: Mengting Hu, Honglei Guo, Shiwan Zhao, Hang Gao, Zhong Su
• Abstract要約: マインドマップ(マインドマップ)は、階層的な方法で中心的な概念と重要なアイデアを表現するダイアグラムである。 既存の自動マインドマップ生成方法は、各文対の関係を抽出し、有向意味グラフを生成する。 本稿では,文書をグラフに変換する効率的なマインドマップ生成ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 21.580450836713577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A mind-map is a diagram that represents the central concept and key ideas in a hierarchical way. Converting plain text into a mind-map will reveal its key semantic structure and be easier to understand. Given a document, the existing automatic mind-map generation method extracts the relationships of every sentence pair to generate the directed semantic graph for this document. The computation complexity increases exponentially with the length of the document. Moreover, it is difficult to capture the overall semantics. To deal with the above challenges, we propose an efficient mind-map generation network that converts a document into a graph via sequence-to-graph. To guarantee a meaningful mind-map, we design a graph refinement module to adjust the relation graph in a reinforcement learning manner. Extensive experimental results demonstrate that the proposed approach is more effective and efficient than the existing methods. The inference time is reduced by thousands of times compared with the existing methods. The case studies verify that the generated mind-maps better reveal the underlying semantic structures of the document.
• Abstract（参考訳）: マインドマップ(mind-map)は、中心的な概念と主要なアイデアを階層的に表現した図である。 プレーンテキストをマインドマップに変換することで、重要なセマンティック構造が明らかになり、理解しやすくなる。 文書が与えられた場合、既存のマインドマップ生成手法は、各文対の関係を抽出し、この文書の有向意味グラフを生成する。 計算複雑性は文書の長さとともに指数関数的に増加する。 さらに、全体的な意味を捉えることは困難である。 上記の課題に対処するために,文書をグラフに変換する効率的なマインドマップ生成ネットワークを提案する。 有意義なマインドマップを保証するために,関係グラフを強化学習方式で調整するグラフリファインメントモジュールを設計した。 広範な実験結果から,提案手法は従来の手法よりも効率的かつ効率的であることが判明した。 既存のメソッドと比較して、推論時間は何千倍も短縮される。 ケーススタディでは、生成されたマインドマップがドキュメントの基盤となるセマンティック構造を明らかにする。

関連論文リスト

• GraphKD: Exploring Knowledge Distillation Towards Document Object Detection with Structured Graph Creation [14.511401955827875]
  ドキュメントにおけるオブジェクト検出は、構造的要素の識別プロセスを自動化するための重要なステップである。 文書画像中の文書オブジェクトを正しく識別し,ローカライズするための,グラフベースの知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-17T23:08:32Z)
• Coreference Graph Guidance for Mind-Map Generation [5.289044688419791]
  近年、最先端の手法が文書の文を逐次エンコードし、シークエンス・トゥ・グラフを介して関係グラフに変換する。 外部構造知識を組み込むためのコア推論誘導マインドマップ生成ネットワーク(CMGN)を提案する。
  論文  参考訳（メタデータ） (2023-12-19T09:39:27Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• FORBID: Fast Overlap Removal By stochastic gradIent Descent for Graph Drawing [1.1470070927586014]
  ノード間のオーバーラップは、グラフの可視化の可読性を妨げます。 オーバーラップ除去(OR)アルゴリズムはレイアウト後処理として提案されている。 共同応力およびスケーリング最適化問題として,新しい勾配モデルORを提案する。
  論文  参考訳（メタデータ） (2022-08-19T13:51:44Z)
• Primitive Graph Learning for Unified Vector Mapping [14.20286798139897]
  GraphMapperは、衛星画像からエンドツーエンドのベクトルマップを抽出するための統合フレームワークである。 ベクトル形状予測,正規化,トポロジー再構成を独自の原始グラフ学習問題に変換する。 提案手法は,両タスクをベンチマークで8～10%向上させる。
  論文  参考訳（メタデータ） (2022-06-28T12:33:18Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)

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。