論文の概要: Neural Subgraph Explorer: Reducing Noisy Information via Target-Oriented Syntax Graph Pruning

• arxiv url: http://arxiv.org/abs/2205.10970v1
• Date: Mon, 23 May 2022 00:29:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 15:20:10.983621
• Title: Neural Subgraph Explorer: Reducing Noisy Information via Target-Oriented Syntax Graph Pruning
• Title（参考訳）: neural subgraph explorer: ターゲット指向構文グラフプルーニングによるノイズ情報低減
• Authors: Bowen Xing and Ivor W. Tsang
• Abstract要約: 本稿ではニューラル・サブグラフ・エクスプローラーと呼ばれる新しいモデルを提案する。 構文グラフ上でターゲット非関連ノードをプルーニングすることでノイズを低減します。 対象語とその関連語間の有益な一階接続を得られたグラフに導入する。
• 参考スコア（独自算出の注目度）: 39.76268402567324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed the emerging success of leveraging syntax graphs for the target sentiment classification task. However, we discover that existing syntax-based models suffer from two issues: noisy information aggregation and loss of distant correlations. In this paper, we propose a novel model termed Neural Subgraph Explorer, which (1) reduces the noisy information via pruning target-irrelevant nodes on the syntax graph; (2) introduces beneficial first-order connections between the target and its related words into the obtained graph. Specifically, we design a multi-hop actions score estimator to evaluate the value of each word regarding the specific target. The discrete action sequence is sampled through Gumble-Softmax and then used for both of the syntax graph and the self-attention graph. To introduce the first-order connections between the target and its relevant words, the two pruned graphs are merged. Finally, graph convolution is conducted on the obtained unified graph to update the hidden states. And this process is stacked with multiple layers. To our knowledge, this is the first attempt of target-oriented syntax graph pruning in this task. Experimental results demonstrate the superiority of our model, which achieves new state-of-the-art performance.
• Abstract（参考訳）: 近年では、ターゲット感情分類タスクに構文グラフを活用することに成功している。 しかし,既存の構文モデルではノイズの多い情報集約と遠い相関の喪失という2つの問題に悩まされていることがわかった。 本稿では,(1)構文グラフ上でターゲット非関連ノードをプルーニングすることでノイズを低減し,(2)目的語とその関連語間の有益な1次接続を得られるグラフに導入するニューラルサブグラフエクスプローラーという新しいモデルを提案する。 具体的には,各単語の目標に対する値を評価するマルチホップ行動スコア推定器を設計する。 離散的なアクションシーケンスは、Gumble-Softmaxを通してサンプリングされ、構文グラフと自己注意グラフの両方に使用される。 対象語とその関連語間の一階接続を導入するために、2つの刈り込みグラフをマージする。 最後に、得られた統一グラフ上でグラフ畳み込みを行い、隠れ状態を更新する。 このプロセスは複数の層で積み重ねられています 我々の知る限り、これはこのタスクでターゲット指向構文グラフを解析する最初の試みである。 実験結果から,新しい最先端性能を実現するモデルの有効性が示された。

関連論文リスト

• Graph Neural Networks on Discriminative Graphs of Words [19.817473565906777]
  本研究では,単語グラフニューラルネットワーク(DGoW-GNN)によるテキストの識別手法を提案する。 本稿では,GNNとシーケンスモデルを組み合わせたグラフベースのテキスト分類の新しいモデルを提案する。 提案手法を7つのベンチマークデータセットで評価し,いくつかの最先端ベースラインモデルにより性能が向上していることを確認した。
  論文  参考訳（メタデータ） (2024-10-27T15:14:06Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• 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)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。