Fugu-MT 論文翻訳(概要): Incorporating Temporal Information in Entailment Graph Mining

論文の概要: Incorporating Temporal Information in Entailment Graph Mining

arxiv url: http://arxiv.org/abs/2109.09412v1
Date: Mon, 20 Sep 2021 10:18:16 GMT
ステータス: 処理完了
システム内更新日: 2021-09-22 01:39:15.882499
Title: Incorporating Temporal Information in Entailment Graph Mining
Title（参考訳）: 補足グラフマイニングにおける時間情報の導入
Authors: Liane Guillou, Sander Bijl de Vroe, Mohammad Javad Hosseini, Mark Johnson, Mark Steedman
Abstract要約: 同じペアのチームが異なる機会に,異なる結果でプレーする,スポーツ領域に重点を置いています。 win/lose $rightarrow$ play のようなエンタテインメントを学習することを目的とした教師なしモデルを提案し、 win $notrightarrow$ lost のような非エンタテインメントを学習する際の落とし穴を回避した。
参考スコア（独自算出の注目度）: 23.757423918379402
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We present a novel method for injecting temporality into entailment graphs to address the problem of spurious entailments, which may arise from similar but temporally distinct events involving the same pair of entities. We focus on the sports domain in which the same pairs of teams play on different occasions, with different outcomes. We present an unsupervised model that aims to learn entailments such as win/lose $\rightarrow$ play, while avoiding the pitfall of learning non-entailments such as win $\not\rightarrow$ lose. We evaluate our model on a manually constructed dataset, showing that incorporating time intervals and applying a temporal window around them, are effective strategies.
Abstract（参考訳）: そこで本稿では,同一の実体を含む類似するが時間的に異なる事象から発生する散発的な連関問題に対処するために,連帯グラフに時間的関係を注入する新しい手法を提案する。同じペアのチームが異なる機会に,異なる結果でプレーする,スポーツ領域に重点を置いています。我々は、win/lose $\rightarrow$ playのような補足を学ぶことを目的とした教師なしモデルを提示し、win$\not\rightarrow$ lostのような非補足学習の落とし穴を避ける。我々は,手動で構築したデータセット上で,時間間隔を組み込んで時間窓を配置することが効果的な戦略であることを示す。

関連論文リスト

Contrastive Learning Is Not Optimal for Quasiperiodic Time Series [4.2807943283312095]
本稿では,ほぼ周期時間系列(DEAPS)の蒸留埋め込みについて紹介する。 DEAPSは、心電図(ECG)データなどの準周期時系列に適した非コントラスト法である。機械学習(ML)モデルに適合するアノテートレコードがわずかに提示された場合,既存のSOTAメソッドよりも10%向上したことを示す。
論文参考訳（メタデータ） (2024-07-24T08:02:41Z)
From Link Prediction to Forecasting: Information Loss in Batch-based Temporal Graph Learning [0.716879432974126]
バッチ指向評価の適合性はデータセットの特性に依存することを示す。我々は、動的リンク予測をリンク予測タスクとして再構成し、データに存在する時間情報のより良い説明を行う。
論文参考訳（メタデータ） (2024-06-07T12:45:12Z)
TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs [17.559644723196843]
時間的論理規則学習のための差別化可能なフレームワークであるTILPを提案する。本稿では、tKGにおける時間的特徴モデリング、例えば、再発、時間的秩序、一対の関係と期間の間隔、および学習過程に組み込んだ時間的特徴モデリングを提案する。提案するフレームワークは,解釈可能な結果を提供しながら,ベースライン手法の性能を向上させることができることを示す。
論文参考訳（メタデータ） (2024-02-19T17:30:44Z)
Multi-Task Self-Supervised Time-Series Representation Learning [3.31490164885582]
時系列表現学習は、時間的ダイナミクスとスパースラベルを持つデータから表現を抽出することができる。自己教師型タスクの利点を組み合わせた時系列表現学習手法を提案する。本稿では,時系列分類,予測,異常検出という3つのダウンストリームタスクの枠組みについて検討する。
論文参考訳（メタデータ） (2023-03-02T07:44:06Z)
Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。実装のさまざまな方法を示し、さまざまな問題について評価する。
論文参考訳（メタデータ） (2022-10-04T07:21:49Z)
Contrastive Learning for Time Series on Dynamic Graphs [17.46524362769774]
本稿では,グラフと時系列の結合表現の教師なし学習のためのGraphTNCというフレームワークを提案する。実世界のデータセットを用いた分類作業において有益であることを示す。
論文参考訳（メタデータ） (2022-09-21T21:14:28Z)
Visualising Deep Network's Time-Series Representations [93.73198973454944]
機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
論文参考訳（メタデータ） (2021-03-12T09:53:34Z)
Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文参考訳（メタデータ） (2021-03-03T23:06:47Z)
One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文参考訳（メタデータ） (2020-10-23T03:24:44Z)
Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
論文参考訳（メタデータ） (2020-08-19T23:19:08Z)
Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文参考訳（メタデータ） (2020-07-23T14:00:34Z)

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。