論文の概要: Probing Taxonomic and Thematic Embeddings for Taxonomic Information
- arxiv url: http://arxiv.org/abs/2301.10656v1
- Date: Wed, 25 Jan 2023 15:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-26 14:51:30.283107
- Title: Probing Taxonomic and Thematic Embeddings for Taxonomic Information
- Title（参考訳）: 分類情報のための分類学・テーマ埋め込みの提案
- Authors: Filip Klubi\v{c}ka and John D. Kelleher
- Abstract要約: 分類学的および主題的関連性をモデル化することは、包括的な自然言語理解を持つAIを構築する上で重要である。
我々は,新しいハイポニム・ハイポニム探索タスクを設計し,分類学およびテーマSGNSとGloVeの埋め込みに関する比較調査を行う。
両種類の埋め込みがいくつかの分類情報をエンコードしていることを示す実験は、エンコーダアーキテクチャと埋め込み訓練データの両方に独立して関係している。
- 参考スコア（独自算出の注目度）: 2.9874726192215157
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modelling taxonomic and thematic relatedness is important for building AI
with comprehensive natural language understanding. The goal of this paper is to
learn more about how taxonomic information is structurally encoded in
embeddings. To do this, we design a new hypernym-hyponym probing task and
perform a comparative probing study of taxonomic and thematic SGNS and GloVe
embeddings. Our experiments indicate that both types of embeddings encode some
taxonomic information, but the amount, as well as the geometric properties of
the encodings, are independently related to both the encoder architecture, as
well as the embedding training data. Specifically, we find that only taxonomic
embeddings carry taxonomic information in their norm, which is determined by
the underlying distribution in the data.
- Abstract（参考訳）: 分類学と主題的関連性のモデリングは、包括的な自然言語理解を持つaiを構築する上で重要である。
本研究の目的は,組込み構造における分類情報のエンコード方法についてより深く知ることである。
これを実現するために,ハイパーニム・ハイプニム探索タスクを新たに設計し,分類学と主題的sgnsとグローブ埋め込みの比較調査を行う。
本実験は, 両種類の埋め込みがいくつかの分類情報を符号化していることを示しているが, エンコーダアーキテクチャと埋め込み訓練データとは独立して関係している。
具体的には, 分類学的埋入量のみ, 分類学的情報のみを標準として, 基礎となるデータ分布によって決定されることがわかった。
関連論文リスト
- Refining Wikidata Taxonomy using Large Language Models [2.392329079182226]
我々は,Large Language Models (LLM) とグラフマイニング技術を組み合わせたWikidata分類の新バージョンであるWiKCを提案する。
リンクを切断したり、クラスをマージしたりといった分類の操作は、オープンソースのLCM上でゼロショットプロンプトの助けを借りて行われる。
論文 参考訳（メタデータ） (2024-09-06T06:53:45Z) - TaBIIC: Taxonomy Building through Iterative and Interactive Clustering [2.817412580574242]
本稿では,反復的かつインタラクティブなプロセスにおいて,両方のアプローチからインスピレーションを得る方法を検討する。
本稿では,本手法が様々なデータソースに適用可能であることを示し,オントロジーにより直接的に組み込むことができることを示す。
論文 参考訳（メタデータ） (2023-12-10T12:17:43Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2023-05-28T06:30:29Z) - Neurosymbolic AI and its Taxonomy: a survey [48.7576911714538]
ニューロシンボリックAIは、古典的なAIやニューラルネットワークのようなシンボリック処理を組み合わせたモデルを扱う。
本研究は近年,本分野の研究論文を調査し,提案モデルと応用モデルとの分類と比較を行った。
論文 参考訳（メタデータ） (2023-05-12T19:51:13Z) - Towards the Linear Algebra Based Taxonomy of XAI Explanations [0.0]
説明可能な人工知能(XAI)の手法は、なぜ特定の予測や推定が行われたのかという疑問に答えるために開発された。
文学におけるXAIの提案は、主に人間エージェントの関与に関する説明の区別に焦点を絞ったものである。
本稿では,局所的な説明のための単純線形代数に基づく分類法を提案する。
論文 参考訳（メタデータ） (2023-01-30T18:21:27Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳（メタデータ） (2022-01-21T09:01:12Z) - TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel
Topic Clusters [57.59286394188025]
我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。
TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。
2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
論文 参考訳（メタデータ） (2022-01-18T07:07:38Z) - Large-scale Taxonomy Induction Using Entity and Word Embeddings [13.30719395448771]
本論文では,実体とテキスト埋め込みを用いた知識からの自動推定抽出手法 TIEmb を提案する。
本稿では,Wide Web の大部分から抽出されたクラス置換関係のデータベースである WebIsA データベースにアプローチを適用し,Person and Place ドメインの階層を抽出する。
論文 参考訳（メタデータ） (2021-05-04T05:53:12Z) - A Theory of Usable Information Under Computational Constraints [103.5901638681034]
本稿では,複雑なシステムにおける情報推論のための新しいフレームワークを提案する。
我々の基礎はシャノンの情報理論の変分拡張に基づいている。
計算制約を組み込むことで,データから$mathcalV$-informationを確実に推定できることを示す。
論文 参考訳（メタデータ） (2020-02-25T06:09:30Z) - Semantic Relatedness and Taxonomic Word Embeddings [2.47944699884651]
意味的関連性には様々な種類があり、異なる語彙表現が異なる関係性の形をコードしていることを示す。
分類学上のランダムウォークによって生成された合成コーパスで訓練された分類学的埋め込みを分析する実験を行った。
本研究では, 天然コーパスと合成コーパスの相対サイズが, 組込み性能に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2020-02-14T20:02:11Z) - TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced
Graph Neural Network [62.12557274257303]
分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。
そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。
本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
論文 参考訳（メタデータ） (2020-01-26T21:30:21Z)
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。