論文の概要: SMARAGD: Synthesized sMatch for Accurate and Rapid AMR Graph Distance

• arxiv url: http://arxiv.org/abs/2203.13226v1
• Date: Thu, 24 Mar 2022 17:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-25 13:52:34.040555
• Title: SMARAGD: Synthesized sMatch for Accurate and Rapid AMR Graph Distance
• Title（参考訳）: SMARAGD: 精度と高速AMRグラフ距離のための合成sMatch
• Authors: Juri Opitz and Philipp Meier and Anette Frank
• Abstract要約: SMATCHスコアとグラフアライメントを近似するニューラルネットワークの可能性を示す。 データ拡張とAMRグラフの匿名化を適用して近似誤差を大幅に低減できることを示す。
• 参考スコア（独自算出の注目度）: 19.33681537640272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The semantic similarity of graph-based meaning representations, such as Abstract Meaning Representation (AMR), is typically assessed using graph matching algorithms, such as SMATCH (Cai and Knight, 2013). However, SMATCH suffers from NP-completeness, making its large-scale application, e.g., for AMR clustering or semantic search, infeasible. To mitigate this issue, we propose SMARAGD (Synthesized sMatch for accurate and rapid AMR graph distance). We show the potential of neural networks to approximate the SMATCH scores and graph alignments, i) in linear time using a machine translation framework to predict the alignments, or ii) in constant time using a Siamese CNN to directly predict SMATCH scores. We show that the approximation error can be substantially reduced by applying data augmentation and AMR graph anonymization.
• Abstract（参考訳）: 抽象的意味表現(AMR)のようなグラフに基づく意味表現の意味的類似性は、SMATCH(Cai and Knight, 2013)のようなグラフマッチングアルゴリズムを用いて評価される。 しかし、SMATCHはNP完全性に悩まされており、AMRクラスタリングやセマンティックサーチといった大規模な応用は実現不可能である。 この問題を軽減するため,SMARAGD (Synthesized sMatch for accurate and rapid AMR graph distance)を提案する。 本稿では,ニューラルネットワークのsmatchスコアとグラフアライメントを近似する可能性を示す。 一 機械翻訳フレームワークを用いてアライメントの予測を直線的に行うこと。 二 smatchスコアを直接予測するためにsiamese cnnを一定時間使用すること。 データ拡張とAMRグラフの匿名化を適用して近似誤差を大幅に低減できることを示す。

関連論文リスト

• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Interactive Visual Pattern Search on Graph Data via Graph Representation Learning [20.795511688640296]
  視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。 高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。 また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
  論文  参考訳（メタデータ） (2022-02-18T22:30:28Z)
• SIGMA: A Structural Inconsistency Reducing Graph Matching Algorithm [21.1095092767297]
  グラフマッチングの精度、構造的不整合(SI)を測定するための新しい基準を提案する。 具体的には、SIは、グラフのマルチホップ構造に対応するために熱拡散ウェーブレットを組み込む。 ミラー降下法を用いて,新しいK-ホップ構造に基づくマッチングコストでGromov-Wasserstein距離を解くことにより,SIGMAを導出可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-06T15:18:37Z)
• 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)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Neural Subgraph Matching [57.05893848555512]
  NeuroMatchは、サブグラフマッチングに対する正確で効率的で堅牢な神経アプローチである。 NeuroMatchは、既存の幾何学的アプローチよりも100倍高速で、既存のサブグラフマッチング手法よりも18%精度が高い。
  論文  参考訳（メタデータ） (2020-07-06T22:06:38Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。