論文の概要: Coarse-to-fine Knowledge Graph Domain Adaptation based on Distantly-supervised Iterative Training

• arxiv url: http://arxiv.org/abs/2211.02849v1
• Date: Sat, 5 Nov 2022 08:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 17:02:06.642545
• Title: Coarse-to-fine Knowledge Graph Domain Adaptation based on Distantly-supervised Iterative Training
• Title（参考訳）: 遠隔指導反復学習に基づく粗大な知識グラフ領域適応
• Authors: Homgmin Cai, Wenxiong Liao, Zhengliang Liu, Xiaoke Huang, Yiyang Zhang, Siqi Ding, Sheng Li, Quanzheng Li, Tianming Liu, Xiang Li
• Abstract要約: 知識グラフの適応と再学習のための統合フレームワークを提案する。 モデルをトレーニングするために手動のデータアノテーションは必要ない。 ドメイン固有の名前付きエンティティやトリプルの発見を容易にするための,新しい反復的トレーニング戦略を導入する。
• 参考スコア（独自算出の注目度）: 12.62127290494378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern supervised learning neural network models require a large amount of manually labeled data, which makes the construction of domain-specific knowledge graphs time-consuming and labor-intensive. In parallel, although there has been much research on named entity recognition and relation extraction based on distantly supervised learning, constructing a domain-specific knowledge graph from large collections of textual data without manual annotations is still an urgent problem to be solved. In response, we propose an integrated framework for adapting and re-learning knowledge graphs from one coarse domain (biomedical) to a finer-define domain (oncology). In this framework, we apply distant-supervision on cross-domain knowledge graph adaptation. Consequently, no manual data annotation is required to train the model. We introduce a novel iterative training strategy to facilitate the discovery of domain-specific named entities and triples. Experimental results indicate that the proposed framework can perform domain adaptation and construction of knowledge graph efficiently.
• Abstract（参考訳）: 現代の教師付き学習ニューラルネットワークモデルは、大量の手動ラベル付きデータを必要とするため、ドメイン固有の知識グラフの構築に時間がかかり、労力がかかる。 並行して、遠隔教師付き学習に基づく名前付きエンティティ認識と関係抽出に関する研究が数多く行われているが、手動アノテーションを使わずに大量のテキストデータからドメイン固有の知識グラフを構築することは、まだ解決すべき課題である。 そこで本研究では,1つの粗いドメイン(バイオメディカル)からより細かい定義のドメイン(オンコロジー)への知識グラフの適応と再学習のための統合フレームワークを提案する。 このフレームワークでは、クロスドメイン知識グラフ適応に遠方スーパービジョンを適用する。 そのため、モデルのトレーニングには手動のデータアノテーションは必要ない。 ドメイン固有の名前付きエンティティやトリプルの発見を容易にするための,新しい反復的トレーニング戦略を導入する。 実験の結果,提案フレームワークは知識グラフのドメイン適応と構築を効率的に行うことができることがわかった。

関連論文リスト

• Not all tickets are equal and we know it: Guiding pruning with domain-specific knowledge [26.950765295157897]
  本稿では、利用可能なドメイン固有構造情報によってプルーニングをガイドするDASHを提案する。 動的遺伝子制御ネットワークモデル学習の文脈において、DASHと相互作用パートナーに関する既存の一般的な知識が組み合わさって、生物学的に整合したデータ固有の洞察を提供することを示す。
  論文  参考訳（メタデータ） (2024-03-05T23:02:55Z)
• Exploring In-Context Learning Capabilities of Foundation Models for Generating Knowledge Graphs from Text [3.114960935006655]
  本論文は,知識グラフの自動構築と完成の技術をテキストから改善することを目的としている。 この文脈では、新しいパラダイムの1つは、言語モデルがプロンプトとともにそのまま使われる、コンテキスト内学習である。
  論文  参考訳（メタデータ） (2023-05-15T17:10:19Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Knowledge Graph Anchored Information-Extraction for Domain-Specific Insights [1.6308268213252761]
  新しいドメイン内で特定の情報ニーズを満たすためにタスクベースのアプローチを使用します。 美術NLP技術の状態を構成したパイプラインを使用して、インスタンスレベルのセマンティック構造を自動的に抽出する。
  論文  参考訳（メタデータ） (2021-04-18T19:28:10Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)
• Adversarial-Prediction Guided Multi-task Adaptation for Semantic Segmentation of Electron Microscopy Images [5.027571997864707]
  本稿では,ラベルのない新規なターゲットドメイン上で使用するための,よく訓練されたモデルの適応を学習するために,逆予測誘導マルチタスクネットワークを導入する。 対象ドメインにラベルが存在しないため、ソースドメイン上の教師付きセグメンテーションだけでなく、対象データの教師なし再構築のための符号化表現も学習する。
  論文  参考訳（メタデータ） (2020-04-05T09:18:11Z)
• Learning Cross-domain Generalizable Features by Representation Disentanglement [11.74643883335152]
  ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。 本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。 本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
  論文  参考訳（メタデータ） (2020-02-29T17:53:16Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。