論文の概要: LAGr: Label Aligned Graphs for Better Systematic Generalization in Semantic Parsing

• arxiv url: http://arxiv.org/abs/2205.09607v1
• Date: Thu, 19 May 2022 15:01:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 21:33:52.111855
• Title: LAGr: Label Aligned Graphs for Better Systematic Generalization in Semantic Parsing
• Title（参考訳）: LAGr: セマンティックパーシングにおけるシステム一般化のためのラベル付きグラフ
• Authors: Dora Jambor and Dzmitry Bahdanau
• Abstract要約: グラフとしてではなく,直接表現として表現することによって,より優れた体系的な一般化を実現することができることを示す。 完全多層入力整列グラフに対するノードとエッジラベルを独立に予測し,意味解析を行う汎用フレームワークである LAGr を提案する。 実験により、LAGrは、強い教師付きと弱い教師付きの両方の設定において、ベースラインのseq2seqsの体系的な一般化において、大幅な改善を達成していることが示された。
• 参考スコア（独自算出の注目度）: 7.2484012208081205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic parsing is the task of producing structured meaning representations for natural language sentences. Recent research has pointed out that the commonly-used sequence-to-sequence (seq2seq) semantic parsers struggle to generalize systematically, i.e. to handle examples that require recombining known knowledge in novel settings. In this work, we show that better systematic generalization can be achieved by producing the meaning representation directly as a graph and not as a sequence. To this end we propose LAGr (Label Aligned Graphs), a general framework to produce semantic parses by independently predicting node and edge labels for a complete multi-layer input-aligned graph. The strongly-supervised LAGr algorithm requires aligned graphs as inputs, whereas weakly-supervised LAGr infers alignments for originally unaligned target graphs using approximate maximum-a-posteriori inference. Experiments demonstrate that LAGr achieves significant improvements in systematic generalization upon the baseline seq2seq parsers in both strongly- and weakly-supervised settings.
• Abstract（参考訳）: 意味構文解析は、自然言語文の構造化された意味表現を作成するタスクである。 近年の研究では、一般的に使用されているseq2seq(sequence-to-sequence)セマンティクスパーサは、体系的な一般化、すなわち新しい設定で既知の知識を再結合する必要がある例を扱うのに苦労していると指摘している。 本研究では, 意味表現を直接グラフとして生成することで, シーケンスとしてではなく, 体系的な一般化を実現することができることを示す。 この目的のために我々は,完全多層入力整合グラフに対するノードとエッジラベルを独立に予測することで意味解析を行う汎用フレームワークである LAGr (Label Aligned Graphs) を提案する。 強い教師付き LAGr アルゴリズムは、入力として整列グラフを必要とするが、弱い教師付き LAGr は、近似最大-a-ポテリオ推定を用いて、元々の非整列対象グラフに対する整列を推論する。 実験により、lagerは、強い教師付き設定と弱い教師付き設定の両方において、ベースラインのseq2seqパーサー上で系統的一般化を著しく改善できることが示されている。

関連論文リスト

• Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
  グラフニューラルネットワーク(GNN)におけるアウト・オブ・ディストリビューション(OOD)の一般化は注目されている。 多様なサブグラフの集合を学習するために設計された新しいフレームワークSubGraph Aggregation(SuGAr)を提案する。 合成データセットと実世界のデータセットの両方の実験では、SuGArが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-29T16:54:37Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Two Heads Are Better Than One: Boosting Graph Sparse Training via Semantic and Topological Awareness [80.87683145376305]
  グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクに優れるが、大規模グラフに適用した場合、計算上の課題に直面している。 データレベルで空間を動的に操作するグラフスパーストレーニング(GST)を提案する。 GSTは、最大位相整合性と性能劣化のないスパースグラフを生成する。
  論文  参考訳（メタデータ） (2024-02-02T09:10:35Z)
• Stochastic Subgraph Neighborhood Pooling for Subgraph Classification [2.1270496914042996]
  Subgraph Neighborhood Pooling (SSNP) は、ラベル付けトリックのような計算コストの高い操作をすることなく、サブグラフとその周辺情報を共同で集約する。 実験により、我々のモデルは、トレーニングにおいて最大3倍高速でありながら、最先端の手法(マージンが最大2%)より優れています。
  論文  参考訳（メタデータ） (2023-04-17T18:49:18Z)
• Mind the Label Shift of Augmentation-based Graph OOD Generalization [88.32356432272356]
  LiSAは、トレーニンググラフの textbfLabel-textbfinvariant textbfSubgraphs を利用して textbfAugmented環境を構築する。 LiSAは、一貫した予測関係を持つ多様な拡張環境を生成する。 ノードレベルのOODベンチマークとグラフレベルのOODベンチマークの実験により、LiSAは異なるGNNバックボーンで印象的な一般化性能を達成することが示された。
  論文  参考訳（メタデータ） (2023-03-27T00:08:45Z)
• Finding Diverse and Predictable Subgraphs for Graph Domain Generalization [88.32356432272356]
  本稿では,不明瞭な分布シフトにより性能が低下するグラフの分布外一般化に着目した。 本稿では,DPSと呼ばれる新しいグラフ領域の一般化フレームワークを提案する。 ノードレベルのベンチマークとグラフレベルのベンチマークの両方の実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-19T07:57:56Z)
• Omni-Granular Ego-Semantic Propagation for Self-Supervised Graph Representation Learning [6.128446481571702]
  下流ノードとグラフレベルの分類タスクでは,教師なし/自己教師付きグラフ表現学習が重要である。 インスタンス適応型グローバル・アウェア・エゴ・セマンティック・ディスクリプタを提案する。 ディスクリプタは、ローカルグラフの畳み込みに、新しい隣接ノードとして明示的に統合することができる。
  論文  参考訳（メタデータ） (2022-05-31T12:31:33Z)
• LAGr: Labeling Aligned Graphs for Improving Systematic Generalization in Semantic Parsing [6.846638912020957]
  グラフとしてではなく,直接表現として表現することによって,より優れた体系的一般化を実現することができることを示す。 完全多層入力整列グラフに対して,ノードラベルとエッジラベルを予測して意味解析を生成できるラベル付きグラフアルゴリズム LAGr を提案する。
  論文  参考訳（メタデータ） (2021-10-14T17:37:04Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。