論文の概要: Find the Funding: Entity Linking with Incomplete Funding Knowledge Bases

• arxiv url: http://arxiv.org/abs/2209.00351v1
• Date: Thu, 1 Sep 2022 10:41:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 13:28:18.528776
• Title: Find the Funding: Entity Linking with Incomplete Funding Knowledge Bases
• Title（参考訳）: 資金を見つける - 不完全な資金基盤とのエンティティリンク
• Authors: Gizem Aydin, Seyed Amin Tabatabaei, Giorgios Tsatsaronis, Faegheh Hasibi
• Abstract要約: i)知識ベース(KB)のスパースグラフ構造と(ii)KBの欠落したエンティティの識別とリンクに関する2つの大きな課題がある。 我々は,NIL予測を行い,データ不足問題を時間とデータ効率で克服できるエンティティリンクモデルを提案する。
• 参考スコア（独自算出の注目度）: 1.9451328614697954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic extraction of funding information from academic articles adds significant value to industry and research communities, such as tracking research outcomes by funding organizations, profiling researchers and universities based on the received funding, and supporting open access policies. Two major challenges of identifying and linking funding entities are: (i) sparse graph structure of the Knowledge Base (KB), which makes the commonly used graph-based entity linking approaches suboptimal for the funding domain, (ii) missing entities in KB, which (unlike recent zero-shot approaches) requires marking entity mentions without KB entries as NIL. We propose an entity linking model that can perform NIL prediction and overcome data scarcity issues in a time and data-efficient manner. Our model builds on a transformer-based mention detection and bi-encoder model to perform entity linking. We show that our model outperforms strong existing baselines.
• Abstract（参考訳）: 学術論文からの資金情報の自動抽出は、資金提供団体による研究成果の追跡、資金提供を受けた研究者や大学へのプロファイリング、オープンアクセスポリシーのサポートなど、産業や研究コミュニティに重要な価値をもたらす。 資金機関の特定とリンクに関する2つの大きな課題は次のとおりである。 (i)知識ベース(KB)のスパースグラフ構造により、一般的に用いられるグラフベースのエンティティリンクは、資金領域に最適化される。 (ii) KBに欠落したエンティティは(最近のゼロショットアプローチとは異なり)、NILとしてKBエントリを含まないエンティティの参照をマークする必要がある。 我々は,NIL予測を行い,データ不足問題を時間とデータ効率で克服できるエンティティリンクモデルを提案する。 我々のモデルはトランスベースの参照検出とバイエンコーダモデルに基づいてエンティティリンクを行う。 私たちのモデルは,既存のベースラインよりも優れています。

関連論文リスト

• Utilizing Background Knowledge for Robust Reasoning over Traffic Situations [63.45021731775964]
  我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。 本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。 交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
  論文  参考訳（メタデータ） (2022-12-04T09:17:24Z)
• A Pipeline for Analysing Grant Applications [0.0]
  本稿では,提案手法が意図した革新的なプロジェクト提案を効果的に識別するかどうかを考察する。 グラント申請は、レビュアーが割り当てた「特定の革新と創造性」(IC)スコアを含むピアレビューされた研究提案である。 本稿では,特徴を符号化した文書上のランダムフォレスト(RF)分類器として,最高の性能を持つモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-30T13:43:53Z)
• Effective Few-Shot Named Entity Linking by Meta-Learning [34.70028855572534]
  本稿では,非自明な合成エンティティ-メント対を生成するための新しい弱監督戦略を提案する。 また,各合成実体対に異なる重みを割り当てるメタ学習機構を設計する。 実世界のデータセットの実験により、提案手法は最先端の少数ショットエンティティリンクモデルを大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-12T03:23:02Z)
• Improving Entity Disambiguation by Reasoning over a Knowledge Base [2.223733768286313]
  本稿では,記号的知識ベースに基づく推論によってエンティティをリンクするEDモデルを提案する。 我々のモデルは、6つの確立されたEDデータセットの最先端のベースラインを平均1.3F1で上回ります。
  論文  参考訳（メタデータ） (2022-07-08T19:13:53Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Fund2Vec: Mutual Funds Similarity using Graph Learning [0.966840768820136]
  本稿では,ファンドの重み付けされたバイパーティイトネットワーク表現とその基盤となる資産データに基づいて,類似資金を同定するための根本的に新しいアプローチを提案する。 私たちの研究は、ファンド・アセット・ネットワークのもともとの形での重み付けされたバイパートイト・ネットワークの表現に関する初めての研究である。
  論文  参考訳（メタデータ） (2021-06-24T17:35:00Z)
• Clustering-based Inference for Biomedical Entity Linking [40.78384867437563]
  本稿では,リンク決定を知識ベースエンティティにリンクするだけでなく,クラスタリングを通じて複数の言及をまとめてグループ化し,リンク予測を共同で行うモデルを提案する。 公開可能な最大のバイオメディカルデータセットの実験では、エンティティリンクの最良の独立予測を3.0ポイント精度で改善する。
  論文  参考訳（メタデータ） (2020-10-21T19:16:27Z)
• KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
  知識集約型言語タスク(KILT)のベンチマークを示す。 KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。 共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
  論文  参考訳（メタデータ） (2020-09-04T15:32:19Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。