Fugu-MT 論文翻訳(概要): GisPy: A Tool for Measuring Gist Inference Score in Text

論文の概要: GisPy: A Tool for Measuring Gist Inference Score in Text

arxiv url: http://arxiv.org/abs/2205.12484v1
Date: Wed, 25 May 2022 04:17:09 GMT
ステータス: 処理完了
システム内更新日: 2022-05-28 17:02:13.085289
Title: GisPy: A Tool for Measuring Gist Inference Score in Text
Title（参考訳）: GisPy: テキスト中のGist推論スコアを測定するツール
Authors: Pedram Hosseini and Christopher R. Wolfe and Mona Diab and David A. Broniatowski
Abstract要約: GisPyはPythonのオープンソースツールで、Gist Inference Score(GIS)をテキストで測定する。 The news and scientific text domain から得られた3つのベンチマークの文書上での GisPy の評価は、我々のツールが生成したスコアが、ハイジスト文書とハイジスト文書とを著しく区別していることを示す。
参考スコア（独自算出の注目度）: 15.974121993614883
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Decision making theories such as Fuzzy-Trace Theory (FTT) suggest that individuals tend to rely on gist, or bottom-line meaning, in the text when making decisions. In this work, we delineate the process of developing GisPy, an open-source tool in Python for measuring the Gist Inference Score (GIS) in text. Evaluation of GisPy on documents in three benchmarks from the news and scientific text domains demonstrates that scores generated by our tool significantly distinguish low vs. high gist documents. Our tool is publicly available to use at: https://github.com/phosseini/GisPy.
Abstract（参考訳）: ファジィトレース理論 (ftt) のような意思決定理論は、決定を行う際に、個人はテキスト中のgistやボトムラインの意味に依存する傾向があることを示唆している。本稿では,Python で Gist Inference Score (GIS) をテキストで測定するオープンソースツール GisPy の開発プロセスについて述べる。 The news and scientific text domain から得られた3つのベンチマークの文書上での GisPy の評価は、我々のツールが生成したスコアが、ハイジスト文書とハイジスト文書とを著しく区別していることを示す。私たちのツールは、https://github.com/phosseini/gispyで利用可能です。

関連論文リスト

GFT: Graph Foundation Model with Transferable Tree Vocabulary [52.17804507458509]
本稿では,木語彙を伝達可能なグラフファウンデーションモデルとして,GFTと命名されたクロスタスク・クロスドメイングラフ基盤モデルを提案する。変換可能な語彙内で計算木をトークンとして扱うことにより、GFTはモデルの一般化を改善し、負の転送のリスクを低減する。理論解析と広範な実験的研究により,グラフ学習におけるGFTの有効性が実証され,様々なタスクや領域にまたがるGFTの有効性が示された。
論文参考訳（メタデータ） (2024-11-09T05:14:30Z)
Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model [4.474834288759608]
Graph-to-Text(G2T)生成は構造化グラフを自然言語に言語化する。高品質な一般ドメインG2T生成データセットの不足は、一般ドメインG2T生成研究の進展を制限する。ウィキペディアオントロジーフリーグラフテキストデータセット(WikiOFGraph)を紹介する。
論文参考訳（メタデータ） (2024-09-11T08:16:20Z)
Graphtester: Exploring Theoretical Boundaries of GNNs on Graph Datasets [10.590698823137755]
我々は、さまざまなデータセット、タスク、スコアに対するGNNの理論的能力を総合的に分析するための、Graphtesterと呼ばれる新しいツールを提供する。我々はGraphtesterを使用して40以上のグラフデータセットを分析し、レイヤ数に基づいて様々なGNNのパフォーマンスの上限を決定する。このツールは、位置ノードエンコーディングを用いてグラフトランスフォーマーにも使用でき、それによってスコープを拡大できることを示す。
論文参考訳（メタデータ） (2023-06-30T08:53:23Z)
On the Blind Spots of Model-Based Evaluation Metrics for Text Generation [79.01422521024834]
テキスト生成評価指標のロバスト性分析に有用であるが,しばしば無視される手法を探索する。我々は、幅広い潜在的な誤差を設計、合成し、それらが測定値の余計な低下をもたらすかどうかを確認する。私たちの実験では、既存のメトリクスの興味深い不感、バイアス、あるいは抜け穴が明らかになりました。
論文参考訳（メタデータ） (2022-12-20T06:24:25Z)
T5Score: Discriminative Fine-tuning of Generative Evaluation Metrics [94.69907794006826]
我々は、現在利用可能なデータから、教師なし信号と教師なし信号の両方を用いて、両方の世界のベストを結合するフレームワークを提案する。このアイデアを,mT5をバックボーンとするトレーニング信号を使用するメトリックであるT5Scoreをトレーニングすることで,運用する。 T5Scoreは、セグメントレベルの既存のトップスコアメトリクスに対して、すべてのデータセットで最高のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-12-12T06:29:04Z)
PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。 PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
論文参考訳（メタデータ） (2022-04-26T06:15:21Z)
PyTorch Geometric Signed Directed: A Software Package on Graph Neural Networks for Signed and Directed Graphs [20.832917829426098]
PyGSD (PyTorch Geometric Signed Directed) は、PyGSDのソフトウェアパッケージである。 PyGSDは、使い易いGNNモデル、合成および実世界のデータ、タスク固有の評価指標と損失関数で構成されている。 PyGの拡張ライブラリとして提案されているソフトウェアは、オープンソースリリース、詳細なドキュメント、継続的インテグレーション、ユニットテスト、コードカバレッジチェックでメンテナンスされています。
論文参考訳（メタデータ） (2022-02-22T10:25:59Z)
How Can Graph Neural Networks Help Document Retrieval: A Case Study on CORD19 with Concept Map Generation [14.722791874800617]
グラフニューラルネットワーク(GNN)は不規則データ上での表現学習のための強力なツールである。概念マップとして表される構造化されていないテキストでは、GNNは文書検索のようなタスクに利用することができる。大規模多分野データセット CORD-19 について実証的研究を行った。その結果,提案したセマンティクス指向グラフ関数は,BM25検索した候補に基づいて,より優れた,より安定した性能が得られることがわかった。
論文参考訳（メタデータ） (2022-01-12T19:52:29Z)
TURINGBENCH: A Benchmark Environment for Turing Test in the Age of Neural Text Generation [13.14861116831669]
20のラベルにまたがる200万の人または機械生成サンプルからなるデータセットからなるTuringBenchベンチマーク環境を提案する。 TuringBench を用いた予備実験の結果、FAIR_wmt20 と GPT-3 が現在の勝者であることが示された。
論文参考訳（メタデータ） (2021-09-27T18:35:33Z)
Rethinking Graph Neural Network Search from Message-passing [120.62373472087651]
本稿では,新しい検索空間を設計したグラフニューラルアーキテクチャサーチ(GNAS)を提案する。グラフニューラルアーキテクチャパラダイム(GAP:Graph Neural Architecture Paradigm)をツリートポロジー計算手順と2種類の微粒原子操作で設計します。実験では、GNASは複数のメッセージ通過機構と最適なメッセージ通過深さを持つより良いGNNを探索できることを示しています。
論文参考訳（メタデータ） (2021-03-26T06:10:41Z)
Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文参考訳（メタデータ） (2020-11-02T08:07:50Z)

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。