Fugu-MT 論文翻訳(概要): $Ae^2I$: A Double Autoencoder for Imputation of Missing Values

論文の概要: $Ae^2I$: A Double Autoencoder for Imputation of Missing Values

arxiv url: http://arxiv.org/abs/2301.06633v1
Date: Mon, 16 Jan 2023 23:19:58 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 15:14:29.930809
Title: $Ae^2I$: A Double Autoencoder for Imputation of Missing Values
Title（参考訳）: Ae^2I$: ミス値のインプットのためのダブルオートエンコーダ
Authors: Fuchang Gao
Abstract要約: 本稿では、行-行関係と列-列関係を同時に併用し、欠落した値をインプットする二重オートエンコーダ(Ae2I$)を提案する。 Movielens 1Mデータセットの実証テストでは、$Ae2I$は推奨システムの現在の最先端モデルよりも大幅にパフォーマンスが向上することを示した。
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: The most common strategy of imputing missing values in a table is to study either the column-column relationship or the row-row relationship of the data table, then use the relationship to impute the missing values based on the non-missing values from other columns of the same row, or from the other rows of the same column. This paper introduces a double autoencoder for imputation ($Ae^2I$) that simultaneously and collaboratively uses both row-row relationship and column-column relationship to impute the missing values. Empirical tests on Movielens 1M dataset demonstrated that $Ae^2I$ outperforms the current state-of-the-art models for recommender systems by a significant margin.
Abstract（参考訳）: テーブルに欠落した値を暗示する最も一般的な戦略は、列-列関係またはデータテーブルの行-行関係を調べ、その関係を使って、同じ列の他の列または同じ列の他の行からの非許容値に基づいて欠落値をインデュートすることである。本稿では、行-行関係と列-列関係を同時に併用し、欠落した値をインプットする二重オートエンコーダ(Ae^2I$)を提案する。 Movielens 1Mデータセットの実証テストでは、$Ae^2I$は推奨システムに対する現在の最先端モデルよりもかなりのマージンで優れていた。

関連論文リスト

ClavaDDPM: Multi-relational Data Synthesis with Cluster-guided Diffusion Models [4.725559485781692]
マルチリレーショナル(マルチテーブル)データを合成するための新しいアプローチであるClavaDDPMを紹介する。 ClavaDDPMはクラスタリングラベルを仲介として、特に外部キー制約に焦点を当てたテーブル間の関係をモデル化する。 ClavaDDPMは、これらの長距離依存に対する既存のメソッドよりも優れており、シングルテーブルデータに対するユーティリティメトリクスに競争力があることを示す。
論文参考訳（メタデータ） (2024-05-28T00:42:18Z)
Multi-View Graph Representation Learning for Answering Hybrid Numerical Reasoning Question [13.321467396155116]
本稿では,粒度間の関係を考慮し,複数の視点から関係を捉えるための多視点グラフ(MVG)を提案する。我々は,テーブル・テキスト・ハイブリッドQAベンチマーク(TAT-QA)で本モデルを検証し,最先端のモデルより優れていることを示す。
論文参考訳（メタデータ） (2023-05-05T12:00:58Z)
Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文参考訳（メタデータ） (2023-04-25T04:33:27Z)
An Embarrassingly Easy but Strong Baseline for Nested Named Entity Recognition [55.080101447586635]
スコア行列の空間関係をモデル化するために,コナールニューラルネットワーク(CNN)を提案する。提案手法は, 事前学習したエンコーダと同一の手法である。
論文参考訳（メタデータ） (2022-08-09T04:33:46Z)
UniRE: A Unified Label Space for Entity Relation Extraction [67.53850477281058]
合同エンティティ関係抽出モデルでは、2つのサブタスクに対して2つの分離ラベル空間を設定する。この設定は、エンティティとリレーション間の情報相互作用を妨げる可能性があると我々は主張する。本研究では,2つのサブタスクのラベル空間における異なる処理を除去することを提案する。
論文参考訳（メタデータ） (2021-07-09T08:09:37Z)
Annotating Columns with Pre-trained Language Models [19.198228335325503]
テーブル自体の情報のみを用いてテーブル列をアノテートする問題を研究する。マルチタスク学習アプローチ(doduo)が個々の学習アプローチよりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-05T06:05:01Z)
TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
論文参考訳（メタデータ） (2021-02-17T02:18:10Z)
Exploring and Evaluating Attributes, Values, and Structures for Entity Alignment [100.19568734815732]
エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
論文参考訳（メタデータ） (2020-10-07T08:03:58Z)
Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2020-06-05T22:25:27Z)
On Embeddings in Relational Databases [11.52782249184251]
低次元埋め込みを用いた関係データベースにおけるエンティティの分散表現学習の問題に対処する。近年の埋め込み学習法は,すべてのテーブルの完全結合をリレーショナル化し,知識グラフとして表すことにより,データベースの完全非正規化を考慮に入れたナイーブな手法である。本稿では,テーブル内の列の基本的なセマンティクスを利用して表現を学習する上で,関係結合と潜時関係を用いて,より優れた方法論を実証する。
論文参考訳（メタデータ） (2020-05-13T17:21:27Z)

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。