論文の概要: Learning Query Expansion over the Nearest Neighbor Graph
- arxiv url: http://arxiv.org/abs/2112.02666v1
- Date: Sun, 5 Dec 2021 19:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 16:31:59.882853
- Title: Learning Query Expansion over the Nearest Neighbor Graph
- Title(参考訳): 近辺グラフ上でのクエリ拡張の学習
- Authors: Benjamin Klein and Lior Wolf
- Abstract要約: グラフクエリ拡張(GQE)が提示され、教師付き方法で学習され、クエリの拡張近傍で集約を実行する。
この技術は既知のベンチマークよりも最先端の結果が得られる。
- 参考スコア(独自算出の注目度): 94.80212602202518
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Query Expansion (QE) is a well established method for improving retrieval
metrics in image search applications. When using QE, the search is conducted on
a new query vector, constructed using an aggregation function over the query
and images from the database. Recent works gave rise to QE techniques in which
the aggregation function is learned, whereas previous techniques were based on
hand-crafted aggregation functions, e.g., taking the mean of the query's
nearest neighbors. However, most QE methods have focused on aggregation
functions that work directly over the query and its immediate nearest
neighbors. In this work, a hierarchical model, Graph Query Expansion (GQE), is
presented, which is learned in a supervised manner and performs aggregation
over an extended neighborhood of the query, thus increasing the information
used from the database when computing the query expansion, and using the
structure of the nearest neighbors graph. The technique achieves
state-of-the-art results over known benchmarks.
- Abstract(参考訳): クエリ拡張(QE)は、画像検索アプリケーションにおける検索メトリクスを改善するための確立された方法である。
QEを使用する場合、検索はクエリ上の集約関数とデータベースからのイメージを使用して構築された新しいクエリベクトル上で実行される。
最近の研究は、集約関数が学習されるQE技術を生み出したが、以前の技術は手作りの集約関数(例えば、クエリの隣人の平均値)に基づいていた。
しかしながら、ほとんどのQEメソッドは、クエリとそのすぐ近くの隣人に直接動作する集約関数に焦点を当てている。
本研究では,階層モデルであるグラフクエリ拡張(GQE)を提示し,教師付き方式で学習し,クエリの拡張した近傍に集約することで,クエリ拡張の計算時にデータベースから使用される情報を増やし,近隣のグラフの構造を利用する。
この技術は既知のベンチマークよりも最先端の結果が得られる。
関連論文リスト
- Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - WISK: A Workload-aware Learned Index for Spatial Keyword Queries [46.96314606580924]
本稿では,空間的キーワードクエリの学習指標であるWISKを提案する。
We show that WISK achieve up to 8x speedup in querying time with comparable storage overhead。
論文 参考訳(メタデータ) (2023-02-28T03:45:25Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Integrating connection search in graph queries [6.948362325254044]
SPARQLやCypherといったグラフクエリ言語に接続ツリーパターン(CTP)を統合する方法を示す。
非常に大きな探索空間に対処するため,我々は効率的な刈り込み手法を提案し,我々のアルゴリズムMOLESPがプルーニングでも完備しているケースの集合を正式に確立する。
論文 参考訳(メタデータ) (2022-08-09T14:27:57Z) - Better Query Graph Selection for Knowledge Base Question Answering [2.367061689316429]
本稿では,知識ベース質問回答(KBQA)の性能向上を目的とした意味解析に基づく新しい手法を提案する。
具体的には、知識ベース(KB)から回答を取得するために、候補セットから最適なクエリグラフを選択する方法に焦点を当てる。
論文 参考訳(メタデータ) (2022-04-27T01:53:06Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳(メタデータ) (2022-04-03T16:50:30Z) - 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) - Outlining and Filling: Hierarchical Query Graph Generation for Answering
Complex Questions over Knowledge Graph [16.26384829957165]
クエリグラフを構築するための新しい2段階のアプローチを提案する。
最初の段階では、上位$kの関連インスタンスは単純な戦略で収集される。
第2段階では、グラフ生成モデルが階層生成を行う。
論文 参考訳(メタデータ) (2021-11-01T07:08:46Z) - Using Query Expansion in Manifold Ranking for Query-Oriented
Multi-Document Summarization [3.146785346730256]
本稿では,この問題を解くために,多様体ランキングに組み合わされたクエリ拡張手法を提案する。
本手法では,検索語自体と知識ベースであるWordNetの情報を同義語で拡張するだけでなく,文書自体の情報を様々な方法で拡張する。
さらに,単語の重複度と単語間の近接度を用いて文間の類似度を算出する。
論文 参考訳(メタデータ) (2021-07-31T02:20:44Z) - Temporal Query Networks for Fine-grained Video Understanding [88.9877174286279]
我々はこれをクエリ応答機構にキャストし、各クエリが特定の質問に対処し、独自の応答ラベルセットを持つ。
本手法は,細粒度動作分類のためのファインガイムおよびダイビング48ベンチマークを広範囲に評価し,rgb機能のみを用いて最先端の動作分類を克服した。
論文 参考訳(メタデータ) (2021-04-19T17:58:48Z)
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。