論文の概要: The Recent Advances in Automatic Term Extraction: A survey

• arxiv url: http://arxiv.org/abs/2301.06767v1
• Date: Tue, 17 Jan 2023 09:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 14:37:45.277813
• Title: The Recent Advances in Automatic Term Extraction: A survey
• Title（参考訳）: 自動用語抽出の最近の進歩:調査
• Authors: Hanh Thi Hong Tran, Matej Martinc, Jaya Caporusso, Antoine Doucet, Senja Pollak
• Abstract要約: 自動項抽出(ATE)は自然言語処理(NLP)タスクであり、ドメイン固有のコーパスから用語を手動で識別する作業を容易にする。 本稿では、Transformerベースのニューラルモデルに焦点をあてて、深層学習に基づくATEへのアプローチに関する包括的調査を行う。 この研究は、機能工学と非神経教師あり学習アルゴリズムに基づく、これらのシステムと以前のATEアプローチの比較も提供する。
• 参考スコア（独自算出の注目度）: 8.804984280269087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic term extraction (ATE) is a Natural Language Processing (NLP) task that eases the effort of manually identifying terms from domain-specific corpora by providing a list of candidate terms. As units of knowledge in a specific field of expertise, extracted terms are not only beneficial for several terminographical tasks, but also support and improve several complex downstream tasks, e.g., information retrieval, machine translation, topic detection, and sentiment analysis. ATE systems, along with annotated datasets, have been studied and developed widely for decades, but recently we observed a surge in novel neural systems for the task at hand. Despite a large amount of new research on ATE, systematic survey studies covering novel neural approaches are lacking. We present a comprehensive survey of deep learning-based approaches to ATE, with a focus on Transformer-based neural models. The study also offers a comparison between these systems and previous ATE approaches, which were based on feature engineering and non-neural supervised learning algorithms.
• Abstract（参考訳）: 自動項抽出(ATE)は自然言語処理(NLP)タスクであり、候補語のリストを提供することで、ドメイン固有のコーパスから単語を手動で識別する作業を容易にする。 特定の専門分野における知識の単位として、抽出された用語はいくつかの用語的タスクに有用であるだけでなく、情報検索、機械翻訳、トピック検出、感情分析などの複雑な下流タスクもサポートし改善する。 ATEシステムは、注釈付きデータセットとともに、数十年にわたって研究され、広く開発されてきたが、最近、手元にあるタスクのための新しいニューラルネットワークの急増を観察した。 ATEに関する多くの新しい研究にもかかわらず、新しい神経アプローチに関する体系的な調査は不足している。 本稿では,トランスフォーマーに基づくニューラルモデルに着目し,ディープラーニングに基づくateアプローチの包括的調査を行う。 この研究は、機能工学と非神経教師あり学習アルゴリズムに基づく、これらのシステムと以前のATEアプローチの比較も提供する。

関連論文リスト

• Knowledge Tagging with Large Language Model based Multi-Agent System [17.53518487546791]
  本稿では,従来のアルゴリズムの限界に対処するマルチエージェントシステムについて検討する。 我々は,従来の手法が抱えていた課題を克服する上で,LLMベースのマルチエージェントシステムの可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-12T21:39:01Z)
• A Universal Prompting Strategy for Extracting Process Model Information from Natural Language Text using Large Language Models [0.8899670429041453]
  生成型大規模言語モデル(LLM)は,広範囲なデータを必要とすることなく,非常に高品質なNLPタスクを解くことができることを示す。 新たなプロンプト戦略に基づいて,LLMが最先端の機械学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-26T06:39:35Z)
• Continual Learning with Hebbian Plasticity in Sparse and Predictive Coding Networks: A Survey and Perspective [1.3986052523534573]
  ニューロモルフィック連続学習システムの新たなクラスは、ハエの新たな情報を統合することを学ばなければならない。 このサーベイは、最先端スパースと予測符号化技術に基づくニューロモルフィック連続学習の分野における最近の多くの研究をカバーしている。 この調査は神経形連続学習の分野での今後の研究に貢献することが期待されている。
  論文  参考訳（メタデータ） (2024-07-24T14:20:59Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Deep Learning for Anomaly Detection in Log Data: A Survey [3.508620069426877]
  自己学習異常検出技術は、ログデータのパターンをキャプチャし、予期しないログイベントを報告する。 この目的のためのディープラーニングニューラルネットワークが紹介されている。 ディープラーニングにはさまざまなアーキテクチャがあり、生と非構造化のログデータをエンコードするのは簡単ではない。
  論文  参考訳（メタデータ） (2022-07-08T10:58:28Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Retrieving and Reading: A Comprehensive Survey on Open-domain Question Answering [62.88322725956294]
  OpenQAの最近の研究動向を概観し、特にニューラルMSC技術を導入したシステムに注目した。 Retriever-Reader' と呼ばれる最新の OpenQA アーキテクチャを導入し、このアーキテクチャに従うさまざまなシステムを分析します。 次に、OpenQAシステムの開発における主要な課題について議論し、一般的に使用されるベンチマークの分析を提供する。
  論文  参考訳（メタデータ） (2021-01-04T04:47:46Z)

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。