論文の概要: Extracting Domain-specific Concepts from Large-scale Linked Open Data

• arxiv url: http://arxiv.org/abs/2112.03102v1
• Date: Mon, 22 Nov 2021 10:25:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-12 18:06:01.387531
• Title: Extracting Domain-specific Concepts from Large-scale Linked Open Data
• Title（参考訳）: 大規模リンクオープンデータからドメイン固有概念を抽出する
• Authors: Satoshi Kume, Kouji Kozaki
• Abstract要約: 提案手法は,LOD語彙を対象ドメインに関連する用語とリンクすることにより,検索エンティティを定義する。 対象領域における概念的関係の範囲を決定するために,共通上層実体の発生と経路の連鎖関係について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a methodology for extracting concepts for a target domain from large-scale linked open data (LOD) to support the construction of domain ontologies providing field-specific knowledge and definitions. The proposed method defines search entities by linking the LOD vocabulary with technical terms related to the target domain. The search entities are then used as a starting point for obtaining upper-level concepts in the LOD, and the occurrences of common upper-level entities and the chain-of-path relationships are examined to determine the range of conceptual connections in the target domain. A technical dictionary index and natural language processing are used to evaluate whether the extracted concepts cover the domain. As an example of extracting a class hierarchy from LOD, we used Wikidata to construct a domain ontology for polymer materials and physical properties. The proposed method can be applied to general datasets with class hierarchies, and it allows ontology developers to create an initial model of the domain ontology for their own purposes.
• Abstract（参考訳）: 本研究では,大規模連結オープンデータ(LOD)から対象領域の概念を抽出し,分野固有の知識と定義を提供するドメインオントロジーの構築を支援する手法を提案する。 提案手法は,LOD語彙を対象ドメインに関連する技術的用語とリンクすることにより,検索エンティティを定義する。 次に、検索エンティティをlodにおける上位概念獲得の出発点として使用し、共通の上位概念の発生と経路の連鎖関係を調べ、対象領域における概念接続の範囲を決定する。 抽出された概念がドメインをカバーするかどうかを評価するために、技術辞書インデックスと自然言語処理が使用される。 LODからクラス階層を抽出する例として、Wikidataを用いて、高分子材料および物性のドメインオントロジーを構築した。 提案手法はクラス階層を持つ一般的なデータセットに適用でき、オントロジー開発者は自身の目的でドメインオントロジーの初期モデルを作成することができる。

関連論文リスト

• Mapping the Provenance Ontology to Basic Formal Ontology [0.0]
  Provenance Ontology (PROV-O) はWorld Wide Web Consortium (W3C) で、さまざまなドメインにまたがる成果に関するデータを構造化するために使用される。
  論文  参考訳（メタデータ） (2024-08-02T16:50:17Z)
• Dense Retrieval Adaptation using Target Domain Description [18.120678619163037]
  ドメイン適応は、データ分布がソースドメインと異なる新しいドメインに検索モデルを適用するプロセスである。 本稿では,合成文書コレクション,クエリセット,擬似関連ラベルを生成する新しい自動データ構築パイプラインを提案する。 5つの異なる対象領域に対する実験により, 構築された合成データを用いた高密度検索モデルの適用により, 対象領域上での効率的な検索性能が得られた。
  論文  参考訳（メタデータ） (2023-07-06T02:59:47Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Unsupervised Key-phrase Extraction and Clustering for Classification Scheme in Scientific Publications [0.0]
  本稿では,システムマッピング (SM) とシステムレビュー (SR) プロセスの自動化の可能性について検討する。 キーフレーズは教師なしの方法で科学文書から抽出され、対応する分類体系を構築するために使用される。 また、クラスタリングを使って関連するキーフレーズをグループ化する方法についても検討する。
  論文  参考訳（メタデータ） (2021-01-25T10:17:33Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)

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。