論文の概要: Topic Analysis of Superconductivity Literature by Semantic Non-negative Matrix Factorization

• arxiv url: http://arxiv.org/abs/2201.00687v1
• Date: Wed, 1 Dec 2021 05:51:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 04:25:44.914065
• Title: Topic Analysis of Superconductivity Literature by Semantic Non-negative Matrix Factorization
• Title（参考訳）: 意味的非負行列分解による超伝導文学のトピックス解析
• Authors: Valentin Stanev, Erik Skau, Ichiro Takeuchi, Boian S. Alexandrov
• Abstract要約: 我々は最近,SeNMFkというトピックモデリング手法を開発した。 SeNMFkでは,人間の専門家によるコヒーレントなトピックを抽出することができた。 結果は,SeNMFkが大規模科学コーパスの層状かつ微妙な解析を行う能力を示した。
• 参考スコア（独自算出の注目度）: 13.834987665281236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We utilize a recently developed topic modeling method called SeNMFk, extending the standard Non-negative Matrix Factorization (NMF) methods by incorporating the semantic structure of the text, and adding a robust system for determining the number of topics. With SeNMFk, we were able to extract coherent topics validated by human experts. From these topics, a few are relatively general and cover broad concepts, while the majority can be precisely mapped to specific scientific effects or measurement techniques. The topics also differ by ubiquity, with only three topics prevalent in almost 40 percent of the abstract, while each specific topic tends to dominate a small subset of the abstracts. These results demonstrate the ability of SeNMFk to produce a layered and nuanced analysis of large scientific corpora.
• Abstract（参考訳）: 最近開発されたsenmfkというトピックモデリング手法を利用し,テキストの意味構造を組み込んで標準非負行列分解(nmf)法を拡張し,トピック数を決定するロバストなシステムを追加した。 SeNMFkでは,人間の専門家によるコヒーレントなトピックを抽出することができた。 これらのトピックから、比較的一般的で広い概念をカバーするものも少なくないが、大多数は特定の科学的効果や測定技術に正確にマッピングできる。 トピックもユビキティによって異なり、抽象論の約40%で広く見られるトピックは3つしかなく、それぞれのトピックが抽象論のごく一部を占める傾向にある。 これらの結果は、SeNMFkが大規模科学コーパスの層状でニュアンスな分析を行う能力を示している。

関連論文リスト

• Interactive Topic Models with Optimal Transport [75.26555710661908]
  ラベル名監視型トピックモデリングのためのアプローチとして,EdTMを提案する。 EdTMは、LM/LLMベースのドキュメントトピック親和性を活用しながら、代入問題としてのトピックモデリングをモデル化する。
  論文  参考訳（メタデータ） (2024-06-28T13:57:27Z)
• Generalization Error Analysis for Sparse Mixture-of-Experts: A Preliminary Study [65.11303133775857]
  Mixture-of-Experts (MoE)計算アマルガメート予測 Sparse MoEは、限られた数、あるいは1つの専門家だけを選択的に扱うことで、経験的に保存され、時にはパフォーマンスが向上する一方で、オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2024-03-26T05:48:02Z)
• The Geometric Structure of Topic Models [0.0]
  研究や応用に広く利用されているにもかかわらず、トピックモデルの詳細な分析は依然としてオープンな研究トピックである。 平坦なトピックモデルから順序構造を導出する入射幾何学的手法を提案する。 規則的モチーフに基づく概念階層のための新しい可視化パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:53:51Z)
• Analyzing Single Cell RNA Sequencing with Topological Nonnegative Matrix Factorization [0.43512163406551996]
  非負行列分解(NMF)は、結果として生じる低次元成分のメタジーン解釈によるユニークなアプローチを提供する。 この研究は、2つの永続ラプラシア正規化NMF法、すなわちトポロジカルNMF(TNMF)とロバストトトポロジカルNMF(rTNMF)を導入している。 合計12のデータセットを用いて、提案したTNMFとrTNMFが、他のNMFベースの手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-24T11:36:41Z)
• vONTSS: vMF based semi-supervised neural topic modeling with optimal transport [6.874745415692134]
  この研究は、von Mises-Fisher (vMF) ベースの変分オートエンコーダと最適なトランスポートを用いた半教師付きニューラルトピックモデリング手法 vONTSS を提案する。 実験により、vONTSSは、分類精度と多様性において、既存の半教師付きトピックモデリング手法よりも優れていることが示された。 また、類似の分類性能を達成しつつ、最先端の弱教師付きテキスト分類法よりもはるかに高速である。
  論文  参考訳（メタデータ） (2023-07-03T04:23:41Z)
• Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
  本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。 提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
  論文  参考訳（メタデータ） (2022-09-20T09:16:05Z)
• Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review [25.50091058791411]
  ハイパースペクトルアンミックスは、ハイパースペクトル画像から、一組のエンドメンバーとその対応する存在量を推定する。 非負行列分解(NMF)は、この問題の解決にますます重要な役割を果たす。 HSIの主特性を利用してNMFを改善する方法について述べる。
  論文  参考訳（メタデータ） (2022-05-20T02:48:43Z)
• Sawtooth Factorial Topic Embeddings Guided Gamma Belief Network [49.458250193768826]
  本稿では,文書の深部生成モデルであるGBNのソートゥース要素埋め込みについて述べる。 単語も話題も同じ次元の埋め込みベクトルとして表現される。 我々のモデルは、より深い解釈可能なトピックを抽出する他のニューラルネットワークモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-06-30T10:14:57Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Deep matrix factorizations [16.33338100088249]
  深度行列分解 (deep matrix factorization, ディープMF) は, いくつかの特徴層を抽出するために導入された。 本稿では,総合的な文献レビューを通じて,深部MFの主なモデル,アルゴリズム,応用について述べる。
  論文  参考訳（メタデータ） (2020-10-01T13:19:01Z)
• Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for Biomedical and Biological Images [91.41909587856104]
  本稿では,本研究における意味的特徴とインスタンス的特徴を統一するPanoptic Feature Fusion Net(PFFNet)を提案する。 提案するPFFNetには,インスタンス予測を意味的特徴に組み込むための残注意特徴融合機構が組み込まれている。 様々なバイオメディカルおよび生物学的データセットにおいて、最先端のいくつかの手法を上回ります。
  論文  参考訳（メタデータ） (2020-02-15T09:19:41Z)

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。