Fugu-MT 論文翻訳(概要): GausSetExpander: A Simple Approach for Entity Set Expansion

論文の概要: GausSetExpander: A Simple Approach for Entity Set Expansion

arxiv url: http://arxiv.org/abs/2202.13649v1
Date: Mon, 28 Feb 2022 09:44:43 GMT
ステータス: 処理完了
システム内更新日: 2022-03-02 03:36:33.056343
Title: GausSetExpander: A Simple Approach for Entity Set Expansion
Title（参考訳）: GausSetExpander: エンティティセット拡張のためのシンプルなアプローチ
Authors: A\"issatou Diallo and Johannes F\"urnkranz
Abstract要約: 最適輸送技術に基づく教師なしの手法であるGausSetExpanderを提案する。我々は、最先端の手法と比較することで、我々のアプローチの有効性を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Entity Set Expansion is an important NLP task that aims at expanding a small set of entities into a larger one with items from a large pool of candidates. In this paper, we propose GausSetExpander, an unsupervised approach based on optimal transport techniques. We propose to re-frame the problem as choosing the entity that best completes the seed set. For this, we interpret a set as an elliptical distribution with a centroid which represents the mean and a spread that is represented by the scale parameter. The best entity is the one that increases the spread of the set the least. We demonstrate the validity of our approach by comparing to state-of-the art approaches.
Abstract（参考訳）: エンティティセットの拡張は、小さなエンティティセットを大きなエンティティに拡張することを目的とした重要なnlpタスクである。本稿では,最適輸送技術に基づく教師なしアプローチであるgaussetexpanderを提案する。シードセットを最も完成させるエンティティを選択することで問題を再フレーム化することを提案する。このため,集合を平均を表すセントロイドとスケールパラメータで表されるスプレッドとの楕円分布として解釈する。最も優れた実体は、集合の広がりを最小限に増やすものである。我々は,最先端のアプローチと比較し,このアプローチの有効性を実証する。

関連論文リスト

Towards Scalable Semantic Representation for Recommendation [65.06144407288127]
大規模言語モデル(LLM)に基づく意味的IDを構築するために、Mixture-of-Codesを提案する。提案手法は,識別性と寸法の堅牢性に優れたスケーラビリティを実現し,提案手法で最高のスケールアップ性能を実現する。
論文参考訳（メタデータ） (2024-10-12T15:10:56Z)
Correspondence-Free Non-Rigid Point Set Registration Using Unsupervised Clustering Analysis [28.18800845199871]
非教師なしクラスタリング解析に触発された、新しい非厳密な点集合登録法を提案する。提案手法は,様々なシナリオにおいて高い精度を達成し,競争相手をはるかに上回っている。
論文参考訳（メタデータ） (2024-06-27T01:16:44Z)
Focus on Query: Adversarial Mining Transformer for Few-Shot Segmentation [44.778713276910715]
Few-shot segmentation (FSS) は、注釈付きサンプルのみを与えられた新しいカテゴリのオブジェクトを分割することを目的としている。我々は新しいクエリ中心FSSモデルAdrial Mining Transformer (AMFormer)を提案する。 AMFormerは、粗いサポートガイダンスや弱いサポートラベルだけで、正確なクエリイメージセグメンテーションを実現する。
論文参考訳（メタデータ） (2023-11-29T13:39:18Z)
Bayesian Optimization-based Combinatorial Assignment [10.73407470973258]
オークションやコースアロケーションを含むアサインドメインについて検討する。この領域の主な課題は、バンドル空間がアイテム数で指数関数的に増加することである。
論文参考訳（メタデータ） (2022-08-31T08:47:02Z)
PIE: a Parameter and Inference Efficient Solution for Large Scale Knowledge Graph Embedding Reasoning [24.29409958504209]
PIE, textbfparameter および textbfinference textbfefficient ソリューションを提案する。テンソル分解法から着想を得た結果, 要素埋め込み行列を低階行列に分解することで, パラメータの半数以上を削減できることがわかった。モデル推論を高速化するために,よりきめ細かなエンティティタイピングのように見える自己教師付き補助タスクを提案する。
論文参考訳（メタデータ） (2022-04-29T09:06:56Z)
HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文参考訳（メタデータ） (2022-04-18T06:11:44Z)
Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
論文参考訳（メタデータ） (2022-01-13T22:06:10Z)
Dense Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
本稿では,高密度ガウス過程(GP)回帰に基づく数発のセグメンテーション法を提案する。 GPの高次元出力空間を学習するために,提案手法のエンドツーエンド学習機能を利用する。提案手法では,PASCAL-5$i$とCOCO-20$i$のベンチマークで,1ショットと5ショットのFSSをそれぞれ新たな最先端に設定する。
論文参考訳（メタデータ） (2021-10-07T17:57:54Z)
Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-13T18:05:36Z)
Guiding Corpus-based Set Expansion by Auxiliary Sets Generation and Co-Expansion [45.716171458483636]
コーパスベースのセット展開アルゴリズムは、語彙パターンと分布類似性を組み込むことで、与えられた種子をブートストラップする。 Set-CoExpanは、ユーザの興味のターゲットセットと密接に関連する負のセットとして、補助セットを自動的に生成する。本研究では,Set-CoExpanが強いベースライン法を著しく上回ることを示す。
論文参考訳（メタデータ） (2020-01-27T22:34:07Z)

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。