Fugu-MT 論文翻訳(概要): Symlink: A New Dataset for Scientific Symbol-Description Linking

論文の概要: Symlink: A New Dataset for Scientific Symbol-Description Linking

arxiv url: http://arxiv.org/abs/2204.12070v1
Date: Tue, 26 Apr 2022 04:36:14 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 22:25:30.232198
Title: Symlink: A New Dataset for Scientific Symbol-Description Linking
Title（参考訳）: Symlink: 科学記号記述リンクのための新しいデータセット
Authors: Viet Dac Lai, Amir Pouran Ben Veyseh, Franck Dernoncourt, Thien Huu Nguyen
Abstract要約: 本稿では,学術文献における記号や記述の抽出を重視した大規模データセットを提案する。 Symlinkの実験は、既存のモデルに対するシンボル記述リンクタスクの課題を実証するものである。
参考スコア（独自算出の注目度）: 69.97278287534157
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Mathematical symbols and descriptions appear in various forms across document section boundaries without explicit markup. In this paper, we present a new large-scale dataset that emphasizes extracting symbols and descriptions in scientific documents. Symlink annotates scientific papers of 5 different domains (i.e., computer science, biology, physics, mathematics, and economics). Our experiments on Symlink demonstrate the challenges of the symbol-description linking task for existing models and call for further research effort in this area. We will publicly release Symlink to facilitate future research.
Abstract（参考訳）: 数学的記号や記述は、明示的なマークアップなしで文書の境界を越えて様々な形で現れる。本稿では,科学文書中の記号や記述の抽出を強調する,新しい大規模データセットを提案する。 Symlinkは5つの分野(コンピュータ科学、生物学、物理学、数学、経済学)の科学論文に注釈を付ける。 symlinkに関する実験は,既存のモデルにおけるシンボル記述リンクタスクの課題を実証し,この分野におけるさらなる研究努力を求める。今後の研究を促進するため、Symlinkを公開します。

関連論文リスト

MuLMS: A Multi-Layer Annotated Text Corpus for Information Extraction in the Materials Science Domain [0.7947524927438001]
材料科学の7つのサブドメインにまたがる50のオープンアクセス記事のデータセットであるMulMSを提示する。すべてのタスクに対して競合するニューラルモデルを提示し、既存の関連リソースによるマルチタスクトレーニングがメリットをもたらすことを示す。
論文参考訳（メタデータ） (2023-10-24T07:23:46Z)
MuLMS-AZ: An Argumentative Zoning Dataset for the Materials Science Domain [1.209268134212644]
AZ(Argumentative Zone)の分類は学術文書の処理を改善するために提案されている。我々は、手動で注釈付けされた研究論文50点の新しいデータセットを提示し、リリースする。
論文参考訳（メタデータ） (2023-07-05T14:55:18Z)
Contrastive Hierarchical Discourse Graph for Scientific Document Summarization [14.930704950433324]
CHANGESは、抽出科学論文要約のための対照的な階層型グラフニューラルネットワークである。また,グローバルなテーマ認識文表現を学習するためのグラフコントラスト学習モジュールを提案する。
論文参考訳（メタデータ） (2023-05-31T20:54:43Z)
Complex Mathematical Symbol Definition Structures: A Dataset and Model for Coordination Resolution in Definition Extraction [27.896132821710783]
我々は、全文科学論文から5,927文の英語データセットであるSymDefを提示する。このデータセットは、特に「ふりかえり」構造のような複雑な協調構造に焦点を当てている。本稿では,数理記号をマスキングし,各記号に対する各文のコピーを作成し,対象記号を指定し,スロットフィリングを用いて対応する定義の範囲を予測する新しい定義抽出手法を提案する。
論文参考訳（メタデータ） (2023-05-24T02:53:48Z)
Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文参考訳（メタデータ） (2022-12-08T11:53:12Z)
Topic-Guided Abstractive Multi-Document Summarization [21.856615677793243]
多文書要約(MDS)の重要なポイントは、様々な文書間の関係を学習することである。異種グラフとして複数の文書を表現できる新しい抽象MDSモデルを提案する。我々は、クロスドキュメントセマンティックユニットとして機能する潜在トピックを共同で発見するために、ニューラルトピックモデルを採用している。
論文参考訳（メタデータ） (2021-10-21T15:32:30Z)
Boosting Entity-aware Image Captioning with Multi-modal Knowledge Graph [96.95815946327079]
名前付きエンティティの長期分布により、名前付きエンティティと視覚的キューの関係を学習することは困難である。本稿では、視覚オブジェクトと名前付きエンティティを関連付けるために、マルチモーダルな知識グラフを構築する新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-07-26T05:50:41Z)
Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文参考訳（メタデータ） (2021-04-07T11:13:35Z)
What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
論文参考訳（メタデータ） (2020-11-06T02:23:01Z)
Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
論文参考訳（メタデータ） (2020-05-20T13:39:47Z)

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。