論文の概要: A Relation-Oriented Clustering Method for Open Relation Extraction
- arxiv url: http://arxiv.org/abs/2109.07205v1
- Date: Wed, 15 Sep 2021 10:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 22:06:09.952986
- Title: A Relation-Oriented Clustering Method for Open Relation Extraction
- Title（参考訳）: オープンリレーション抽出のための関係指向クラスタリング手法
- Authors: Jun Zhao, Tao Gui, Qi Zhang, and Yaqian Zhou
- Abstract要約: 関係指向クラスタリングモデルを提案し,それを用いてラベルなしデータの新しい関係を同定する。
我々は、インスタンスを対応する関係セントロイドに向かって集めることで、同じ関係を持つインスタンス間の距離を最小化する。
実験の結果,2つのデータセットに対して誤差率を29.2%,15.7%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 18.20811491136624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The clustering-based unsupervised relation discovery method has gradually
become one of the important methods of open relation extraction (OpenRE).
However, high-dimensional vectors can encode complex linguistic information
which leads to the problem that the derived clusters cannot explicitly align
with the relational semantic classes. In this work, we propose a
relation-oriented clustering model and use it to identify the novel relations
in the unlabeled data. Specifically, to enable the model to learn to cluster
relational data, our method leverages the readily available labeled data of
pre-defined relations to learn a relation-oriented representation. We minimize
distance between the instance with same relation by gathering the instances
towards their corresponding relation centroids to form a cluster structure, so
that the learned representation is cluster-friendly. To reduce the clustering
bias on predefined classes, we optimize the model by minimizing a joint
objective on both labeled and unlabeled data. Experimental results show that
our method reduces the error rate by 29.2% and 15.7%, on two datasets
respectively, compared with current SOTA methods.
- Abstract（参考訳）: クラスタリングに基づく非教師付き関係発見法は,オープンリレーション抽出(openre)の重要な手法の一つである。
しかし、高次元ベクトルは複雑な言語情報をエンコードできるため、派生したクラスタが関係意味クラスと明示的に一致できないという問題を引き起こす。
本研究では,関係指向クラスタリングモデルを提案し,それを用いてラベルなしデータの新たな関係を同定する。
具体的には、モデルが関係データのクラスタ化を学べるように、あらかじめ定義された関係のラベル付きデータを利用して関係指向表現を学習する。
同じ関係を持つインスタンス間の距離を最小化するために、インスタンスを対応する関係センタロイドに向けて集めてクラスタ構造を形成し、学習した表現がクラスタフレンドリになるようにします。
事前定義されたクラスにおけるクラスタリングバイアスを低減するため、ラベル付きデータとラベルなしデータの両方で共同目的を最小化することにより、モデルを最適化する。
実験の結果,従来のSOTA法と比較して,2つのデータセットで誤差率を29.2%,15.7%削減できることがわかった。
関連論文リスト
- Self Supervised Correlation-based Permutations for Multi-View Clustering [7.972599673048582]
汎用データのためのエンドツーエンドのディープラーニングベースのMVCフレームワークを提案する。
我々のアプローチは、新しい置換に基づく正準相関目標を用いて有意義な融合データ表現を学習することである。
10つのMVCベンチマークデータセットを用いて、モデルの有効性を実証する。
論文 参考訳（メタデータ） (2024-02-26T08:08:30Z) - Graph-based Active Learning for Entity Cluster Repair [1.7453520331111723]
クラスタ修復手法は、クラスタ内のエラーを判定し、各クラスタが同一エンティティを表すレコードで構成されるように修正することを目的としている。
現在のクラスタ修復手法では、重複のないデータソースを前提としており、あるソースからのレコードは別のソースからのユニークなレコードに対応する。
近年,クラスタリング手法とリンク分類法を併用して,重複したデータソースに適用する手法が提案されている。
本稿では,クラスタ修復のための新しい手法を提案し,その基盤となる類似性グラフから得られるグラフメトリクスを利用する。
論文 参考訳（メタデータ） (2024-01-26T16:42:49Z) - Actively Supervised Clustering for Open Relation Extraction [42.114747195195655]
本稿では,OpenREのためのアクティブなクラスタリングという,新しい設定を提案する。
設定の鍵は、どのインスタンスにラベルを付けるかを選択することである。
本稿では,未知の関係のクラスタを動的に発見する手法を提案する。
論文 参考訳（メタデータ） (2023-06-08T06:55:02Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Mind Your Clever Neighbours: Unsupervised Person Re-identification via
Adaptive Clustering Relationship Modeling [19.532602887109668]
教師なし人物再識別(Re-ID)は、教師付きRe-IDモデルのスケーラビリティ問題を解決する可能性から注目されている。
既存の教師なし手法の多くは反復的なクラスタリング機構を採用しており、教師なしクラスタリングによって生成された擬似ラベルに基づいてネットワークを訓練している。
高品質な擬似ラベルを生成し,クラスタリングエラーの影響を軽減するために,教師なしのRe-IDのための新しいクラスタリング関係モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-03T10:55:07Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳（メタデータ） (2021-04-03T15:32:49Z) - Learning to Model and Ignore Dataset Bias with Mixed Capacity Ensembles [66.15398165275926]
本稿では,データセット固有のパターンを自動的に検出・無視する手法を提案する。
我々の方法は、より高い容量モデルでアンサンブルで低容量モデルを訓練する。
視覚的質問応答データセットの10ポイントゲインを含む,すべての設定の改善を示す。
論文 参考訳（メタデータ） (2020-11-07T22:20:03Z) - Clustering-based Unsupervised Generative Relation Extraction [3.342376225738321]
クラスタリングに基づく教師なし生成関係抽出フレームワーク(CURE)を提案する。
我々は「エンコーダ・デコーダ」アーキテクチャを用いて自己教師付き学習を行い、エンコーダが関係情報を抽出できるようにする。
我々のモデルは、ニューヨーク・タイムズ(NYT)と国連並列コーパス(UNPC)の標準データセットにおいて、最先端モデルよりも優れている。
論文 参考訳（メタデータ） (2020-09-26T20:36:40Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - Decorrelated Clustering with Data Selection Bias [55.91842043124102]
本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。
DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
論文 参考訳（メタデータ） (2020-06-29T08:55:50Z)
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。