論文の概要: HyperExpan: Taxonomy Expansion with Hyperbolic Representation Learning
- arxiv url: http://arxiv.org/abs/2109.10500v1
- Date: Wed, 22 Sep 2021 03:27:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 21:36:30.701254
- Title: HyperExpan: Taxonomy Expansion with Hyperbolic Representation Learning
- Title(参考訳): HyperExpan: 双曲表現学習による分類学の拡張
- Authors: Mingyu Derek Ma, Muhao Chen, Te-Lin Wu and Nanyun Peng
- Abstract要約: 我々は,ハイパーボリックグラフニューラルネット(HGNN)を用いた概念とそれらの関係を表現するための分類拡張アルゴリズムHyperExpanを提案する。
実験の結果,提案したHyperExpanはユークリッド特徴空間における表現学習のベースラインモデルよりも優れており,分類学拡張ベンチマークの最先端性能を実現していることがわかった。
- 参考スコア(独自算出の注目度): 24.080321524759455
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Taxonomies are valuable resources for many applications, but the limited
coverage due to the expensive manual curation process hinders their general
applicability. Prior works attempt to automatically expand existing taxonomies
to improve their coverage by learning concept embeddings in Euclidean space,
while taxonomies, inherently hierarchical, more naturally align with the
geometric properties of a hyperbolic space. In this paper, we present
HyperExpan, a taxonomy expansion algorithm that seeks to preserve the structure
of a taxonomy in a more expressive hyperbolic embedding space and learn to
represent concepts and their relations with a Hyperbolic Graph Neural Network
(HGNN). Specifically, HyperExpan leverages position embeddings to exploit the
structure of the existing taxonomies, and characterizes the concept profile
information to support the inference on unseen concepts during training.
Experiments show that our proposed HyperExpan outperforms baseline models with
representation learning in a Euclidean feature space and achieves
state-of-the-art performance on the taxonomy expansion benchmarks.
- Abstract(参考訳): 分類法は、多くのアプリケーションにとって貴重な資源であるが、高価な手動のキュレーションプロセスによる範囲の制限は、それらの一般的な適用性を妨げる。
先行研究は、ユークリッド空間に埋め込まれた概念を学習することで、既存の分類学を自動で拡張し、その範囲を改善することを目的としている。
本稿では,より表現力の高い双曲的埋め込み空間における分類体系の構造を保存し,概念とその関係を双曲グラフニューラルネットワーク(hgnn)で表現することを目的とした分類展開アルゴリズムであるhyperexpanを提案する。
具体的には、hyperexpanは位置埋め込みを利用して既存の分類体系の構造を活用し、トレーニング中に見当たらない概念の推論をサポートするために概念プロファイル情報を特徴付ける。
実験の結果,提案したHyperExpanはユークリッド特徴空間における表現学習のベースラインモデルよりも優れており,分類学拡張ベンチマークの最先端性能を実現していることがわかった。
関連論文リスト
- Towards Visual Taxonomy Expansion [50.462998483087915]
本稿では,分類拡張タスクに視覚的特徴を導入し,VTE(Visual Taxonomy Expansion)を提案する。
テキストと視覚のセマンティクスをクラスタリングするためのテキストハイパーネミー学習タスクとビジュアルプロトタイプ学習タスクを提案する。
提案手法を2つのデータセットで評価し,有意な結果を得た。
論文 参考訳(メタデータ) (2023-09-12T10:17:28Z) - HyperMiner: Topic Taxonomy Mining with Hyperbolic Embedding [54.52651110749165]
本稿では,単語や話題を表現するために,メタボリック埋め込みを導入した新しいフレームワークを提案する。
双曲空間のツリー様性により、下層のセマンティック階層はより解釈可能なトピックをマイニングするためによりうまく利用することができる。
論文 参考訳(メタデータ) (2022-10-16T02:54:17Z) - Bringing motion taxonomies to continuous domains via GPLVM on hyperbolic manifolds [8.385386712928785]
人間の動きは、人間の動きと環境との相互作用の仕方を分類する高レベルの階層的抽象化として機能する。
本稿では,関連する階層構造を捉えるハイパーボリック埋め込みを用いて分類データをモデル化することを提案する。
本モデルでは,既存の分類群や新分類群の未確認データを適切にエンコードし,EuclideanおよびVAEベースの分類群よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-04T15:19:24Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳(メタデータ) (2022-04-18T06:11:44Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳(メタデータ) (2022-01-21T09:01:12Z) - Who Should Go First? A Self-Supervised Concept Sorting Model for
Improving Taxonomy Expansion [50.794640012673064]
データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。
分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。
本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
論文 参考訳(メタデータ) (2021-04-08T11:00:43Z) - TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced
Graph Neural Network [62.12557274257303]
分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。
そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。
本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
論文 参考訳(メタデータ) (2020-01-26T21:30:21Z)
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。