Fugu-MT 論文翻訳(概要): Graph Refinement for Coreference Resolution

論文の概要: Graph Refinement for Coreference Resolution

arxiv url: http://arxiv.org/abs/2203.16574v1
Date: Wed, 30 Mar 2022 18:03:54 GMT
ステータス: 処理完了
システム内更新日: 2022-04-02 13:05:30.620069
Title: Graph Refinement for Coreference Resolution
Title（参考訳）: コアレゾリューションのためのグラフリファインメント
Authors: Lesly Miculicich and James Henderson
Abstract要約: 本稿では,文書レベルでコア推論を学習し,世界的決定を下すモデリング手法を提案する。我々のモデルは、非自己回帰的な方法でグラフを予測し、その後、以前の予測に基づいて反復的に洗練する。
参考スコア（独自算出の注目度）: 17.724317162297236
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The state-of-the-art models for coreference resolution are based on independent mention pair-wise decisions. We propose a modelling approach that learns coreference at the document-level and takes global decisions. For this purpose, we model coreference links in a graph structure where the nodes are tokens in the text, and the edges represent the relationship between them. Our model predicts the graph in a non-autoregressive manner, then iteratively refines it based on previous predictions, allowing global dependencies between decisions. The experimental results show improvements over various baselines, reinforcing the hypothesis that document-level information improves conference resolution.
Abstract（参考訳）: コア参照解決のための最先端モデルは、独立したペアワイズ決定に基づいている。文書レベルでコア推論を学習し,グローバルな意思決定を行うモデリング手法を提案する。この目的のために,テキスト中のノードがトークンであり,エッジがそれらの関係を表すグラフ構造におけるコア参照リンクをモデル化する。我々のモデルは非自己回帰的にグラフを予測し、それ以前の予測に基づいて反復的に洗練し、決定間のグローバルな依存関係を可能にする。実験結果から,文書レベルの情報により会議の解像度が向上するという仮説を補強し,様々なベースラインを改良した。

関連論文リスト

Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing [30.204313638661255]
文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
論文参考訳（メタデータ） (2024-06-24T11:08:28Z)
Decision Predicate Graphs: Enhancing Interpretability in Tree Ensembles [1.6021728114882514]
Decision Predicate Graph (DPG)は、木に基づくアンサンブルモデルと学習データセットの詳細をキャプチャするグラフ構造である。 DPGはモデルにさらに定量的な洞察を与え、可視化技術を補完し、問題空間の記述を拡張する。実証実験は、従来のベンチマークや複雑な分類シナリオに対処する上で、DSGの可能性を実証している。
論文参考訳（メタデータ） (2024-04-03T12:38:12Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Entropy Neural Estimation for Graph Contrastive Learning [9.032721248598088]
グラフ上のコントラスト学習は、ノードの区別可能な高レベル表現を抽出することを目的としている。本稿では,データセットのビュー間のペアワイズ表現を対比する,単純かつ効果的なサブセットサンプリング戦略を提案する。 7つのグラフベンチマークで広範な実験を行い、提案手法は競合性能を実現する。
論文参考訳（メタデータ） (2023-07-26T03:55:08Z)
Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文参考訳（メタデータ） (2023-06-20T06:25:05Z)
Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文参考訳（メタデータ） (2022-07-18T04:34:08Z)
A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文参考訳（メタデータ） (2022-06-17T08:32:43Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
On Generalization in Coreference Resolution [66.05112218880907]
モデルの市販性能を評価するため、異なるドメインを対象とした8つのコア参照解決データセットを統合する。次に、それらのドメイン、アノテーションガイドライン、メタデータが異なるにもかかわらず、トレーニングのために3つのデータセットを混ぜて、単一のモデルを共同でトレーニングする方法を提案する。ゼロショット環境では、単一のデータセット転送でトレーニングされたモデルが不十分であるのに対して、共同トレーニングの成果によって全体的なパフォーマンスが改善されていることが分かりました。
論文参考訳（メタデータ） (2021-09-20T16:33:22Z)
Adaptive Active Learning for Coreference Resolution [37.261220564076964]
最近のインクリメンタルコア推論解決の進展により、この設定におけるアクティブラーニングに対する新しいアプローチが可能になる。コアファレンスのためのデータバリアを下げることで、コアファレンスリゾルバは、以前に考慮されていない一連のドメインに迅速に適応できます。
論文参考訳（メタデータ） (2021-04-15T17:21:51Z)
Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
論文参考訳（メタデータ） (2020-10-18T16:55:25Z)

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。