論文の概要: FlexER: Flexible Entity Resolution for Multiple Intents

• arxiv url: http://arxiv.org/abs/2209.07569v1
• Date: Tue, 23 Aug 2022 15:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 17:57:28.941000
• Title: FlexER: Flexible Entity Resolution for Multiple Intents
• Title（参考訳）: FlexER: 複数のインテントに対する柔軟なエンティティ解決
• Authors: Bar Genossar (1), Roee Shraga (2) and Avigdor Gal (1) ((1) Technion - Israel Institute of Technology, (2) Northeastern University)
• Abstract要約: 本稿では,多目的エンティティ解決(MIER)の課題について紹介する。 汎用エンティティ解決タスクの現代的ソリューションを利用して、複数のインテントエンティティ解決を解くFlexERを提案する。 大規模な経験的評価は、新しいベンチマークを導入し、2つのよく知られたベンチマークを使用して、FlexERがMIERの問題を効果的に解決し、普遍的なエンティティ解決のための最先端技術よりも優れていることを示す。
• 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: Entity resolution, a longstanding problem of data cleaning and integration, aims at identifying data records that represent the same real-world entity. Existing approaches treat entity resolution as a universal task, assuming the existence of a single interpretation of a real-world entity and focusing only on finding matched records, separating corresponding from non-corresponding ones, with respect to this single interpretation. However, in real-world scenarios, where entity resolution is part of a more general data project, downstream applications may have varying interpretations of real-world entities relating, for example, to various user needs. In what follows, we introduce the problem of multiple intents entity resolution (MIER), an extension to the universal (single intent) entity resolution task. As a solution, we propose FlexER, utilizing contemporary solutions to universal entity resolution tasks to solve multiple intents entity resolution. FlexER addresses the problem as a multi-label classification problem. It combines intent-based representations of tuple pairs using a multiplex graph representation that serves as an input to a graph neural network (GNN). FlexER learns intent representations and improves the outcome to multiple resolution problems. A large-scale empirical evaluation introduces a new benchmark and, using also two well-known benchmarks, shows that FlexER effectively solves the MIER problem and outperforms the state-of-the-art for a universal entity resolution.
• Abstract（参考訳）: データクリーニングと統合の長年にわたる問題であるエンティティ解決は、同じ現実世界のエンティティを表すデータレコードを特定することを目的としている。 既存のアプローチは、実体分解を普遍的なタスクとして扱い、現実の実体の単一解釈の存在を仮定し、一致したレコードを見つけることのみに集中し、この単一の解釈に関して非対応のものとは対応しない。 しかし、エンティティ解決がより一般的なデータプロジェクトの一部である現実のシナリオでは、ダウンストリームアプリケーションは、例えば様々なユーザニーズに関連する現実のエンティティの様々な解釈を持つ可能性がある。 以下では、universal(single intent)エンティティ解決タスクの拡張であるmultiple intents entity resolution(mier)の問題を紹介する。 解法としてFlexERを提案し、汎用エンティティ解決タスクの現代的ソリューションを利用して複数のエンティティ解決を解く。 FlexERはマルチラベル分類問題としてこの問題に対処する。 グラフニューラルネットワーク(GNN)への入力として機能する多重グラフ表現を使用して、タプルペアの意図に基づく表現を組み合わせる。 FlexERは意図の表現を学び、結果を複数の解決問題に改善します。 大規模な経験的評価は、新しいベンチマークを導入し、2つのよく知られたベンチマークを使用して、FlexERがMIERの問題を効果的に解決し、普遍的なエンティティ解決のための最先端技術よりも優れていることを示す。

関連論文リスト

• Flexible ViG: Learning the Self-Saliency for Flexible Object Recognition [3.5624857747396814]
  柔軟性のある物体を認識することは、本質的に多様な形状や大きさ、半透明な特性、曖昧な境界、微妙なクラス間の違いなど、大きな課題を生んでいる。 本稿では,フレキシブルビジョングラフニューラルネットワーク(FViG)を提案する。
  論文  参考訳（メタデータ） (2024-06-06T08:55:06Z)
• Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
  マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。 MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
  論文  参考訳（メタデータ） (2023-07-19T02:11:19Z)
• Modeling Entities as Semantic Points for Visual Information Extraction in the Wild [55.91783742370978]
  文書画像から鍵情報を正確かつ堅牢に抽出する手法を提案する。 我々は、エンティティを意味的ポイントとして明示的にモデル化する。つまり、エンティティの中心点は、異なるエンティティの属性と関係を記述する意味情報によって豊かになる。 提案手法は,従来の最先端モデルと比較して,エンティティラベルとリンクの性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2023-03-23T08:21:16Z)
• Nested Named Entity Recognition from Medical Texts: An Adaptive Shared Network Architecture with Attentive CRF [53.55504611255664]
  ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。 提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。 我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
  論文  参考訳（メタデータ） (2022-11-09T09:23:56Z)
• Scalable Video Object Segmentation with Identification Mechanism [125.4229430216776]
  本稿では,半教師付きビデオオブジェクト(VOS)のスケーラブルで効果的なマルチオブジェクトモデリングを実現する上での課題について検討する。 AOT(Associating Objects with Transformers)とAOST(Associating Objects with Scalable Transformers)の2つの革新的なアプローチを提案する。 当社のアプローチは最先端の競合に勝って,6つのベンチマークすべてにおいて,例外的な効率性とスケーラビリティを一貫して示しています。
  論文  参考訳（メタデータ） (2022-03-22T03:33:27Z)
• Graph Pattern Loss based Diversified Attention Network for Cross-Modal Retrieval [10.420129873840578]
  クロスモーダル検索は、画像、ビデオ、テキスト、オーディオなどのマルチメディアデータを組み合わせることで、柔軟な検索体験を実現することを目的としている。 教師なしアプローチのコアの1つは、高価なラベルを必要とすることなく、異なるオブジェクト表現間の相関関係を掘り下げて、満足度の高い検索性能を完成させることである。 教師なしクロスモーダル検索のためのグラフパターン損失に基づく分散注意ネットワーク(GPLDAN)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T10:53:07Z)
• Mapping the Internet: Modelling Entity Interactions in Complex Heterogeneous Networks [0.0]
  サンプル表現、モデル定義、トレーニングのための汎用性のある統一フレームワークHMill'を提案します。 フレームワークに実装されたモデルによって実現されたすべての関数の集合に対する普遍近似定理の拡張を示す。 このフレームワークを使ってサイバーセキュリティドメインから3つの異なる問題を解決する。
  論文  参考訳（メタデータ） (2021-04-19T21:32:44Z)
• Federated Unsupervised Representation Learning [56.715917111878106]
  フェデレート非教師表現学習(FURL)と呼ばれるフェデレーション学習における新しい問題を定式化し、教師なしの共通表現モデルを学習する。 FedCAは2つの主要なモジュールで構成されている: 辞書モジュールは、各クライアントからのサンプルの表現を集約し、表現空間の整合性のためにすべてのクライアントと共有し、アライメントモジュールは、公開データに基づいてトレーニングされたベースモデル上で各クライアントの表現を整合させる。
  論文  参考訳（メタデータ） (2020-10-18T13:28:30Z)
• Scale-Localized Abstract Reasoning [79.00011351374869]
  本稿では,インテリジェンステストとしてよく用いられる抽象的関係推論タスクについて考察する。 いくつかのパターンは空間的有理性を持っているが、他のパターンは意味論に過ぎないため、各クエリを複数の解像度で処理するマルチスケールアーキテクチャを提案する。 異なる解法によって実際に異なるルールが解かれることを示し、組み合わせたマルチスケールアプローチは、全てのベンチマークにおいて、このタスクにおける既存の技術の状態を5～54%上回っていることを示す。
  論文  参考訳（メタデータ） (2020-09-20T10:37:29Z)

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。