論文の概要: MNet-Sim: A Multi-layered Semantic Similarity Network to Evaluate Sentence Similarity

• arxiv url: http://arxiv.org/abs/2111.05412v1
• Date: Tue, 9 Nov 2021 20:43:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 01:45:54.801311
• Title: MNet-Sim: A Multi-layered Semantic Similarity Network to Evaluate Sentence Similarity
• Title（参考訳）: MNet-Sim: 文の類似性を評価する多層セマンティック類似ネットワーク
• Authors: Manuela Nayantara Jeyaraj, Dharshana Kasthurirathna
• Abstract要約: 類似性(英: similarity)は、それが考慮される領域によって異なる比較目的測度である。 本稿では,複数の類似度に基づく多層意味類似性ネットワークモデルを提案する。 その結果, 文類似性の評価において, 性能スコアが向上していることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Similarity is a comparative-subjective measure that varies with the domain within which it is considered. In several NLP applications such as document classification, pattern recognition, chatbot question-answering, sentiment analysis, etc., identifying an accurate similarity score for sentence pairs has become a crucial area of research. In the existing models that assess similarity, the limitation of effectively computing this similarity based on contextual comparisons, the localization due to the centering theory, and the lack of non-semantic textual comparisons have proven to be drawbacks. Hence, this paper presents a multi-layered semantic similarity network model built upon multiple similarity measures that render an overall sentence similarity score based on the principles of Network Science, neighboring weighted relational edges, and a proposed extended node similarity computation formula. The proposed multi-layered network model was evaluated and tested against established state-of-the-art models and is shown to have demonstrated better performance scores in assessing sentence similarity.
• Abstract（参考訳）: 類似性は、それが考慮される領域によって異なる比較主観的測度である。 文書分類、パターン認識、チャットボット質問応答、感情分析などのNLPアプリケーションでは、文対の正確な類似点を特定することが重要な研究領域となっている。 類似性を評価する既存のモデルでは、文脈比較に基づく効果的な類似性計算の限界、中心的理論による局所化、非意味的比較の欠如が欠点であることが証明されている。 そこで本稿では,ネットワーク科学の原理に基づく文の類似度スコア,重み付き関係エッジ,提案される拡張ノード類似度計算式に基づいて,複数の類似度尺度に基づく多層意味類似度ネットワークモデルを提案する。 提案した多層ネットワークモデルは,既存の最先端モデルに対して評価および検証を行い,文類似性を評価する上で,より良い性能を示すことを示した。

関連論文リスト

• Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
  拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。 本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-04T14:19:50Z)
• Interpretable Measures of Conceptual Similarity by Complexity-Constrained Descriptive Auto-Encoding [112.0878081944858]
  画像間の類似度を定量化することは、画像ベースの機械学習にとって重要な著作権問題である。 我々は,高次関係を捉えた画像間での「概念的類似性」の概念を定義し,計算することを目指している。 2つの非常に異種な画像は、その記述の早い段階で識別できるが、概念的に異種な画像は、より詳細を区別する必要がある。
  論文  参考訳（メタデータ） (2024-02-14T03:31:17Z)
• Semantic similarity prediction is better than other semantic similarity measures [5.176134438571082]
  意味的類似度を測ることのみに関心がある場合、そのようなタスクのために微調整されたモデルを用いて、その類似度を直接予測する方がよいと論じる。 GLUEベンチマークから得られたセマンティックテキスト類似性ベンチマークタスク(STS-B)の微調整モデルを用いて、STSScoreアプローチを定義し、その結果の類似性は他の手法よりも堅牢なセマンティック類似性尺度に対する期待に合致していることを示す。
  論文  参考訳（メタデータ） (2023-09-22T08:11:01Z)
• ContraSim -- A Similarity Measure Based on Contrastive Learning [28.949004915740776]
  コントラスト学習に基づく新しい類似度尺度であるContraSimを開発した。 ContraSimは、類似した例と異なる例の両方を用いてパラメータ化された尺度を学習する。 いずれの場合も、ContraSimは以前の類似度測定よりもはるかに精度が高い。
  論文  参考訳（メタデータ） (2023-03-29T19:43:26Z)
• Counting Like Human: Anthropoid Crowd Counting on Modeling the Similarity of Objects [92.80955339180119]
  メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。 これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-02T07:00:53Z)
• Evaluation of taxonomic and neural embedding methods for calculating semantic similarity [0.0]
  分類学的類似度尺度と分布的類似度尺度のメカニズムについて検討する。 分類学的類似度尺度は、意味的類似度を予測するための素因として、最短経路長に依存する可能性がある。 類似性予測における概念関係と神経埋め込みの相乗効果は、伝達学習における知識ベースを活用する新しい傾向を示す可能性がある。
  論文  参考訳（メタデータ） (2022-09-30T02:54:21Z)
• Attributable Visual Similarity Learning [90.69718495533144]
  本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2022-03-28T17:35:31Z)
• Deconfounded Representation Similarity for Comparison of Neural Networks [16.23053104309891]
  類似度指標は、入力空間内のデータ項目の集団構造によって構成される。 類似度指標を分解することで,意味論的に類似したニューラルネットワークを検出する分解能が向上することを示す。
  論文  参考訳（メタデータ） (2022-01-31T21:25:02Z)
• Toward Scalable and Unified Example-based Explanation and Outlier Detection [128.23117182137418]
  我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。 類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-11T05:58:17Z)
• Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
  ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-09T12:26:27Z)

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。