論文の概要: An Approach for Automatic Construction of an Algorithmic Knowledge Graph from Textual Resources

• arxiv url: http://arxiv.org/abs/2205.06854v1
• Date: Fri, 13 May 2022 18:59:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 10:29:37.789348
• Title: An Approach for Automatic Construction of an Algorithmic Knowledge Graph from Textual Resources
• Title（参考訳）: テキスト資源を用いたアルゴリズム知識グラフの自動構築の試み
• Authors: Jyotima Patel and Biswanath Dutta
• Abstract要約: 本稿では,非構造化データからアルゴリズム問題の知識グラフを自動的に作成する手法を提案する。 アルゴリズムKGは、アルゴリズムメタデータに追加のコンテキストと説明可能性を与える。
• 参考スコア（独自算出の注目度）: 3.723553383515688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is enormous growth in various fields of research. This development is accompanied by new problems. To solve these problems efficiently and in an optimized manner, algorithms are created and described by researchers in the scientific literature. Scientific algorithms are vital for understanding and reusing existing work in numerous domains. However, algorithms are generally challenging to find. Also, the comparison among similar algorithms is difficult because of the disconnected documentation. Information about algorithms is mostly present in websites, code comments, and so on. There is an absence of structured metadata to portray algorithms. As a result, sometimes redundant or similar algorithms are published, and the researchers build them from scratch instead of reusing or expanding upon the already existing algorithm. In this paper, we introduce an approach for automatically developing a knowledge graph (KG) for algorithmic problems from unstructured data. Because it captures information more clearly and extensively, an algorithm KG will give additional context and explainability to the algorithm metadata.
• Abstract（参考訳）: 様々な研究分野で大きな成長を遂げている。 この開発には新しい問題が伴っている。 これらの問題を効率的に、かつ最適な方法で解くために、アルゴリズムは科学文献の研究者によって作成され、記述される。 科学的アルゴリズムは、多くの領域で既存の研究の理解と再利用に不可欠である。 しかし、アルゴリズムを見つけることは一般的に難しい。 また、ドキュメントが切り離されているため、類似したアルゴリズムの比較も難しい。 アルゴリズムに関する情報は、主にwebサイトやコードコメントなどに存在する。 アルゴリズムを表現するための構造化メタデータがない。 その結果、しばしば冗長あるいは類似のアルゴリズムが公開され、研究者らは既存のアルゴリズムを再利用したり拡張したりせずに、ゼロから構築する。 本稿では,非構造化データからアルゴリズム問題に対する知識グラフ(kg)を自動的に作成する手法を提案する。 より明確かつ広範囲に情報をキャプチャするため、アルゴリズムKGは、アルゴリズムメタデータに追加のコンテキストと説明可能性を与える。

関連論文リスト

• A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization [1.6589012298747952]
  近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。 文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。 20以上の異なるアルゴリズムを統一する一般化された進化的メタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T09:55:15Z)
• Problem-Solving Guide: Predicting the Algorithm Tags and Difficulty for Competitive Programming Problems [7.955313479061445]
  ほとんどのテック企業は、Google、Meta、Amazonなど、アルゴリズムの問題を解決する能力を必要としている。 本研究は,アルゴリズムタグをエンジニアや開発者の有用なツールとして予測する作業に対処する。 また,この問題の解決に要する時間を計算するための有用なガイダンスとして,アルゴリズム問題の難易度を予測することを検討する。
  論文  参考訳（メタデータ） (2023-10-09T15:26:07Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• The CLRS Algorithmic Reasoning Benchmark [28.789225199559834]
  アルゴリズムの学習表現は機械学習の新たな領域であり、ニューラルネットワークから古典的なアルゴリズムで概念をブリッジしようとしている。 本稿では,従来のアルゴリズムを包括するCLRS Algorithmic Reasoning Benchmarkを提案する。 我々のベンチマークは、ソート、探索、動的プログラミング、グラフアルゴリズム、文字列アルゴリズム、幾何アルゴリズムなど、様々なアルゴリズムの推論手順にまたがっている。
  論文  参考訳（メタデータ） (2022-05-31T09:56:44Z)
• How to transfer algorithmic reasoning knowledge to learn new algorithms? [23.335939830754747]
  我々は,実行トレースにアクセス可能なアルゴリズムを用いて,そうでない同様のタスクを解く方法について検討する。 9つのアルゴリズムと3つの異なるグラフタイプを含むデータセットを作成します。 我々はこれを実証的に検証し、その代わりにマルチタスク学習を用いてアルゴリズム推論知識の伝達を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-10-26T22:14:47Z)
• Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
  本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。 我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。 オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
  論文  参考訳（メタデータ） (2021-08-15T01:06:26Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Towards Meta-Algorithm Selection [78.13985819417974]
  インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。 メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
  論文  参考訳（メタデータ） (2020-11-17T17:27:33Z)
• Using the Full-text Content of Academic Articles to Identify and Evaluate Algorithm Entities in the Domain of Natural Language Processing [7.163189900803623]
  本稿では、自然言語処理(NLP)の分野を例として取り上げ、この分野の学術論文からアルゴリズムを同定する。 論文内容を手動で注釈付けしてアルゴリズムの辞書を構築し、辞書にアルゴリズムを含む文を辞書ベースのマッチングにより抽出する。 アルゴリズムに言及する記事の数は、そのアルゴリズムの影響を分析する指標として使用される。
  論文  参考訳（メタデータ） (2020-10-21T08:24:18Z)

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。