論文の概要: Progressive Adversarial Learning for Bootstrapping: A Case Study on Entity Set Expansion

• arxiv url: http://arxiv.org/abs/2109.12082v1
• Date: Fri, 24 Sep 2021 17:19:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-27 14:57:49.605361
• Title: Progressive Adversarial Learning for Bootstrapping: A Case Study on Entity Set Expansion
• Title（参考訳）: ブートストラップのためのプログレッシブ・アドバーサリー学習--エンティティ集合展開を事例として
• Authors: Lingyong Yan, Xianpei Han, Le Sun
• Abstract要約: 本稿では,ブートストラッププロセスと境界学習プロセスをGANフレームワークで共同でモデル化するブートストラップ学習手法であるBootstrapGANを提案する。 具体的には、異なるブートストラップ反復の展開境界は、異なる識別器ネットワークを介して学習される。 上記対向学習を反復的に行うことにより、ジェネレータと判別器は互いに強化され、ブートストラッププロセス全体に沿って徐々に洗練される。
• 参考スコア（独自算出の注目度）: 27.494444841029207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bootstrapping has become the mainstream method for entity set expansion. Conventional bootstrapping methods mostly define the expansion boundary using seed-based distance metrics, which heavily depend on the quality of selected seeds and are hard to be adjusted due to the extremely sparse supervision. In this paper, we propose BootstrapGAN, a new learning method for bootstrapping which jointly models the bootstrapping process and the boundary learning process in a GAN framework. Specifically, the expansion boundaries of different bootstrapping iterations are learned via different discriminator networks; the bootstrapping network is the generator to generate new positive entities, and the discriminator networks identify the expansion boundaries by trying to distinguish the generated entities from known positive entities. By iteratively performing the above adversarial learning, the generator and the discriminators can reinforce each other and be progressively refined along the whole bootstrapping process. Experiments show that BootstrapGAN achieves the new state-of-the-art entity set expansion performance.
• Abstract（参考訳）: ブートストラッピングはエンティティセット拡張の主流の方法となっている。 従来のブートストラップ法は, 種別距離測定値を用いた拡張境界の定義がほとんどであり, 選択した種子の品質に大きく依存しており, 極めて疎らな管理のために調整が困難である。 本稿では,ganフレームワークにおけるブートストラッププロセスと境界学習プロセスを共同でモデル化する,ブートストラップのための新しい学習手法であるbootstrapganを提案する。 具体的には、異なるブートストラップ反復の展開境界は、異なる識別器ネットワークを介して学習され、ブートストラップネットワークは、新しい正のエンティティを生成するジェネレータであり、識別器ネットワークは、生成されたエンティティを既知の正のエンティティと区別しようとすることで、拡張境界を識別する。 上記対向学習を反復的に行うことにより、ジェネレータと判別器は互いに強化され、ブートストラッププロセス全体に沿って徐々に洗練される。 実験の結果,BootstrapGANは新たな最先端エンティティセット拡張性能を実現することがわかった。

関連論文リスト

• Domain Expansion and Boundary Growth for Open-Set Single-Source Domain Generalization [70.02187124865627]
  オープンソースの単一ソースドメインの一般化は、単一のソースドメインを使用して、未知のターゲットドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 本稿では,領域拡大と境界成長に基づく新しい学習手法を提案する。 提案手法は,いくつかの領域横断画像分類データセットにおいて,大幅な改善と最先端性能を実現することができる。
  論文  参考訳（メタデータ） (2024-11-05T09:08:46Z)
• SCD-Net: Spatiotemporal Clues Disentanglement Network for Self-supervised Skeleton-based Action Recognition [39.99711066167837]
  本稿では、SCD-Net(Stemporal Clues Disentanglement Network)という、対照的な学習フレームワークを紹介する。 具体的には,これらのシーケンスを特徴抽出器と統合し,空間領域と時間領域からそれぞれ明確な手がかりを導出する。 我々は,NTU-+D (60&120) PKU-MMDI (&I) データセットの評価を行い,行動認識,行動検索,伝達学習などの下流タスクを網羅した。
  論文  参考訳（メタデータ） (2023-09-11T21:32:13Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Semantic Diffusion Network for Semantic Segmentation [1.933681537640272]
  セマンティック境界認識を強化する演算子レベルのアプローチを導入する。 意味拡散ネットワーク(SDN)と呼ばれる新しい学習可能なアプローチを提案する。 我々のSDNは、元の機能からクラス間境界強化機能への微分可能なマッピングを構築することを目的としています。
  論文  参考訳（メタデータ） (2023-02-04T01:39:16Z)
• Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
  我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。 我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
  論文  参考訳（メタデータ） (2021-10-27T17:04:38Z)
• Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
  我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。 従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。 推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-10-28T18:10:20Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• A Neural Dirichlet Process Mixture Model for Task-Free Continual Learning [48.87397222244402]
  タスクフリー連続学習のための拡張型アプローチを提案する。 我々のモデルは、識別的タスクと生成的タスクの両方に対してタスクフリー連続学習を成功させる。
  論文  参考訳（メタデータ） (2020-01-03T02:07:31Z)

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。