論文の概要: LAGr: Labeling Aligned Graphs for Improving Systematic Generalization in Semantic Parsing

• arxiv url: http://arxiv.org/abs/2110.07572v1
• Date: Thu, 14 Oct 2021 17:37:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 13:18:43.809351
• Title: LAGr: Labeling Aligned Graphs for Improving Systematic Generalization in Semantic Parsing
• Title（参考訳）: LAGr: セマンティックパーシングにおける体系的一般化改善のためのアライメント付きグラフのラベル付け
• Authors: Dora Jambor, Dzmitry Bahdanau
• Abstract要約: グラフとしてではなく,直接表現として表現することによって,より優れた体系的一般化を実現することができることを示す。 完全多層入力整列グラフに対して,ノードラベルとエッジラベルを予測して意味解析を生成できるラベル付きグラフアルゴリズム LAGr を提案する。
• 参考スコア（独自算出の注目度）: 6.846638912020957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic parsing is the task of producing a structured meaning representation for natural language utterances or questions. Recent research has pointed out that the commonly-used sequence-to-sequence (seq2seq) semantic parsers struggle to generalize systematically, i.e. to handle examples that require recombining known knowledge in novel settings. In this work, we show that better systematic generalization can be achieved by producing the meaning representation (MR) directly as a graph and not as a sequence. To this end we propose LAGr, the Labeling Aligned Graphs algorithm that produces semantic parses by predicting node and edge labels for a complete multi-layer input-aligned graph. The strongly-supervised LAGr algorithm requires aligned graphs as inputs, whereas weakly-supervised LAGr infers alignments for originally unaligned target graphs using an approximate MAP inference procedure. On the COGS and CFQ compositional generalization benchmarks the strongly- and weakly- supervised LAGr algorithms achieve significant improvements upon the baseline seq2seq parsers.
• Abstract（参考訳）: 意味解析は、自然言語の発話や質問に対する構造化された意味表現を作成するタスクである。 近年の研究では、一般的に使用されているseq2seq(sequence-to-sequence)セマンティクスパーサは、体系的な一般化、すなわち新しい設定で既知の知識を再結合する必要がある例を扱うのに苦労していると指摘している。 本研究では,グラフとしてではなく,直接的に意味表現(mr)を列として生成することで,より体系的な一般化が可能となることを示す。 この目的のために,完全多層入力整列グラフに対するノードラベルとエッジラベルの予測により意味解析を生成するラベル付きグラフアルゴリズムである LAGr を提案する。 強教師付きラガーアルゴリズムはアライメントグラフを入力として必要とし、弱教師付きラガーアルゴリズムは近似地図推論法を用いて元々アライメントされていない対象グラフのアライメントを推定する。 COGS と CFQ の構成一般化ベンチマークでは、強い教師付き LAGr アルゴリズムがベースラインの seq2seq パーサで大幅に改善されている。

関連論文リスト

• A Flexible, Equivariant Framework for Subgraph GNNs via Graph Products and Graph Coarsening [18.688057947275112]
  グラフグラフニューラルネットワーク(サブグラフGNN)は,グラフをサブグラフの集合として表現することで,メッセージパスGNNの表現性を向上する。 以前のアプローチでは、ランダムにまたは学習可能なサンプリングによって選択されたサブグラフのサブセットのみを処理することを提案していた。 本稿では,これらの問題に対処する新しいSubgraph GNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-13T16:29:06Z)
• Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
  Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。 我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T05:06:06Z)
• Mind the Label Shift of Augmentation-based Graph OOD Generalization [88.32356432272356]
  LiSAは、トレーニンググラフの textbfLabel-textbfinvariant textbfSubgraphs を利用して textbfAugmented環境を構築する。 LiSAは、一貫した予測関係を持つ多様な拡張環境を生成する。 ノードレベルのOODベンチマークとグラフレベルのOODベンチマークの実験により、LiSAは異なるGNNバックボーンで印象的な一般化性能を達成することが示された。
  論文  参考訳（メタデータ） (2023-03-27T00:08:45Z)
• LAGr: Label Aligned Graphs for Better Systematic Generalization in Semantic Parsing [7.2484012208081205]
  グラフとしてではなく,直接表現として表現することによって,より優れた体系的な一般化を実現することができることを示す。 完全多層入力整列グラフに対するノードとエッジラベルを独立に予測し,意味解析を行う汎用フレームワークである LAGr を提案する。 実験により、LAGrは、強い教師付きと弱い教師付きの両方の設定において、ベースラインのseq2seqsの体系的な一般化において、大幅な改善を達成していることが示された。
  論文  参考訳（メタデータ） (2022-05-19T15:01:37Z)
• Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation [6.071760028190454]
  本稿では,グラフに対する半教師付きノード分類において,グラフアルゴリズムのラベル伝搬と浅いニューラルネットワークを組み合わせることで,GNNに匹敵する性能が得られることを示す。 本稿では,ノードが反対クラスのノードに接続されることの多い低ホモフィリーグラフ上では,このアプローチが不十分であることを示す。 アルゴリズムはまずクラス互換行列を学習し、次にクラス適合性によって重み付けされたLPアルゴリズムを用いてラベル予測を集約する。
  論文  参考訳（メタデータ） (2022-05-19T08:34:34Z)
• SIGMA: Semantic-complete Graph Matching for Domain Adaptive Object Detection [26.0630601028093]
  ドメイン適応オブジェクト検出(DAOD)は、ラベル付きドメインを利用して、アノテーションのない新しいドメインに一般化されたオブジェクト検出器を学ぶ。 クロスドメインプロトタイプ(クラスセンター)の縮小によるクラス条件分布の調整 本稿では,不一致のセマンティックスを補完し,グラフマッチングによる適応を再構築する,幻覚Dのための新しいSemantIc完全グラフマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-12T10:14:17Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• cgSpan: Pattern Mining in Conceptual Graphs [0.0]
  概念グラフ (conceptual Graphs, CG) は、グラフに基づく知識表現形式である。 本稿では,CG頻出パターンマイニングアルゴリズムであるcgSpanを提案する。 a)関係ノードの固定アリティ、(b)シグネチャの固定アリティ、(b)シグネチャで指定された最大型よりも一般的な概念型パターンの回避、(c)パターンマイニングプロセス中にそれらを適用する推論規則の3種類を含む。
  論文  参考訳（メタデータ） (2021-10-26T14:28:06Z)
• 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)
• 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)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。