論文の概要: Attribute Exploration with Multiple Contradicting Partial Experts
- arxiv url: http://arxiv.org/abs/2205.15714v1
- Date: Tue, 31 May 2022 12:00:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 13:51:06.584901
- Title: Attribute Exploration with Multiple Contradicting Partial Experts
- Title(参考訳): マルチコントラクト部分的エキスパートによる属性探索
- Authors: Maximilian Felde and Gerd Stumme
- Abstract要約: 属性探索(Attribute Exploring)は、ドメインの専門家が知識領域の構造的依存関係を発見するのに役立つ、形式的概念分析(FCA)の手法である。
本稿では,属性探索の拡張について述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attribute exploration is a method from Formal Concept Analysis (FCA) that
helps a domain expert discover structural dependencies in knowledge domains
which can be represented as formal contexts (cross tables of objects and
attributes). In this paper we present an extension of attribute exploration
that allows for a group of domain experts and explores their shared views. Each
expert has their own view of the domain and the views of multiple experts may
contain contradicting information.
- Abstract(参考訳): 属性探索(英: attribute exploration)は、形式的概念分析(fca)の手法であり、ドメインの専門家が形式的コンテキスト(オブジェクトと属性のクロステーブル)として表現できる知識ドメインの構造的依存関係を発見するのに役立つ。
本稿では、ドメインの専門家のグループによる共有ビューの探索を可能にする属性探索の拡張について述べる。
各専門家はドメインに対する独自の見解を持ち、複数の専門家の見解には矛盾する情報が含まれるかもしれない。
関連論文リスト
- Improving Retrieval in Theme-specific Applications using a Corpus
Topical Taxonomy [52.426623750562335]
ToTER (Topical Taxonomy Enhanced Retrieval) フレームワークを紹介する。
ToTERは、クエリとドキュメントの中心的なトピックを分類学のガイダンスで識別し、そのトピックの関連性を利用して、欠落したコンテキストを補う。
プラグイン・アンド・プレイのフレームワークとして、ToTERは様々なPLMベースのレトリバーを強化するために柔軟に使用できる。
論文 参考訳(メタデータ) (2024-03-07T02:34:54Z) - DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。
我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。
DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文 参考訳(メタデータ) (2024-02-29T07:09:01Z) - Aggregation of Disentanglement: Reconsidering Domain Variations in
Domain Generalization [9.577254317971933]
ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。
本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。
また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
論文 参考訳(メタデータ) (2023-02-05T09:48:57Z) - Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。
バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
論文 参考訳(メタデータ) (2023-02-03T14:57:40Z) - Domain-invariant Feature Exploration for Domain Generalization [35.99082628524934]
ドメイン不変の機能は、内部と相互の双方から派生すべきである、と我々は主張する。
ドメイン不変な特徴展開のためのDIFEXを提案する。
時系列とビジュアルベンチマークの両方の実験は、提案したDIFEXが最先端のパフォーマンスを達成することを示した。
論文 参考訳(メタデータ) (2022-07-25T09:55:55Z) - Adaptive Mixture of Experts Learning for Generalizable Face
Anti-Spoofing [37.75738807247752]
ドメイン一般化(DG)に基づく反偽造防止アプローチが注目されている。
既存のDGベースのFASアプローチは、様々な目に見えない領域を一般化するために、ドメイン不変の特徴を常に捉えている。
このフレームワークは、ドメイン固有の情報を利用して、目に見えないソースドメインと未知のターゲットドメイン間のリンクを適応的に確立する。
論文 参考訳(メタデータ) (2022-07-20T13:02:51Z) - Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。
本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。
我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
論文 参考訳(メタデータ) (2021-12-04T10:25:45Z) - The Curious Layperson: Fine-Grained Image Recognition without Expert
Labels [90.88501867321573]
我々は、専門家のアノテーションを使わずに、きめ細かい画像認識という新しい問題を考える。
非専門的な画像記述を用いてオブジェクトの視覚的外観を記述するモデルを学ぶ。
次に、画像記述と文書とを文レベルでマッチングする、きめ細かいテキスト類似性モデルを訓練する。
論文 参考訳(メタデータ) (2021-11-05T17:58:37Z) - Multiple Domain Experts Collaborative Learning: Multi-Source Domain
Generalization For Person Re-Identification [41.923753462539736]
我々は、MD-ExCo(Multiple Domain Experts Collaborative Learning)という新しいトレーニングフレームワークを提案する。
MD-ExCoは普遍的な専門家といくつかのドメインエキスパートで構成されている。
DG-ReIDベンチマークの実験により、我々のMD-ExCoは最先端の手法よりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2021-05-26T06:38:23Z) - Triadic Exploration and Exploration with Multiple Experts [0.11421942894219898]
Triadic Concept Analysis は、条件の概念を取り入れた形式的概念分析(FCA)の拡張である。
本稿では、三進的概念分析に基づく三進的探索を行い、三進的領域における条件的属性含意を探索する。
ドメインに対して異なる視点を持つ複数の専門家による属性探索を定式化するために、このアプローチを適用する。
論文 参考訳(メタデータ) (2021-02-04T14:49:53Z)
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。