論文の概要: DNG: Taxonomy Expansion by Exploring the Intrinsic Directed Structure on
Non-gaussian Space
- arxiv url: http://arxiv.org/abs/2302.11165v2
- Date: Tue, 21 Mar 2023 13:28:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 23:34:35.178764
- Title: DNG: Taxonomy Expansion by Exploring the Intrinsic Directed Structure on
Non-gaussian Space
- Title（参考訳）: dng:非ガウス空間上の内在的有向構造を探索する分類体系展開
- Authors: Songlin Zhai, Weiqing Wang, Yuanfang Li, Yuan Meng
- Abstract要約: 本稿では,各ノードを継承特徴(構造部分)と拡張特徴(補足部分)の組み合わせとして明示的に記述する。
Darmois-Skitovich Theorem に触発されて、補足的特徴に対する非ガウス的制約により、この可逆性を実装した。
- 参考スコア（独自算出の注目度）: 15.486066629896149
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Taxonomy expansion is the process of incorporating a large number of
additional nodes (i.e., "queries") into an existing taxonomy (i.e., "seed"),
with the most important step being the selection of appropriate positions for
each query. Enormous efforts have been made by exploring the seed's structure.
However, existing approaches are deficient in their mining of structural
information in two ways: poor modeling of the hierarchical semantics and
failure to capture directionality of is-a relation. This paper seeks to address
these issues by explicitly denoting each node as the combination of inherited
feature (i.e., structural part) and incremental feature (i.e., supplementary
part). Specifically, the inherited feature originates from "parent" nodes and
is weighted by an inheritance factor. With this node representation, the
hierarchy of semantics in taxonomies (i.e., the inheritance and accumulation of
features from "parent" to "child") could be embodied. Additionally, based on
this representation, the directionality of is-a relation could be easily
translated into the irreversible inheritance of features. Inspired by the
Darmois-Skitovich Theorem, we implement this irreversibility by a non-Gaussian
constraint on the supplementary feature. A log-likelihood learning objective is
further utilized to optimize the proposed model (dubbed DNG), whereby the
required non-Gaussianity is also theoretically ensured. Extensive experimental
results on two real-world datasets verify the superiority of DNG relative to
several strong baselines.
- Abstract（参考訳）: 分類学の拡大は、多数の追加ノード(すなわち「クエリ」)を既存の分類学(すなわち「種」)に組み込むプロセスであり、最も重要なステップはクエリごとに適切な位置を選択することである。
種子の構造を探索することで多大な努力がなされている。
しかし、既存のアプローチは、階層的意味論の貧弱なモデリングと、is-a関係の方向性を捉えない2つの方法で構造情報のマイニングに不足している。
本稿では,各ノードに継承された特徴(構造部分)と漸進的特徴(補足部分)の組合せとして明示的に記述することで,これらの問題に対処する。
具体的には、継承された特徴は「親」ノードに由来し、継承因子によって重み付けされる。
このノード表現では、分類学における意味論の階層構造(つまり「親」から「子」への特徴の継承と蓄積)が具体化できる。
さらに、この表現に基づいて、is-a関係の方向性は、特徴の不可逆的な継承に容易に変換できる。
Darmois-Skitovich Theoremに触発されて、補足的特徴に対する非ガウス的制約により、この可逆性を実装した。
対数様学習の目的をさらに活用して提案したモデル(DNG)を最適化し,非ガウス性も理論的に保証する。
2つの実世界のデータセットの大規模な実験結果は、いくつかの強いベースラインと比較してDNGの優位性を検証する。
関連論文リスト
- Flattening the Parent Bias: Hierarchical Semantic Segmentation in the Poincaré Ball [39.76366192826905]
親が子どもから推定されるフラットな(階層的でない)セグメンテーションネットワークは,階層的アプローチよりも高いセグメンテーション精度を有することを示す。
また,ポアンカー球モデルを用いた階層的セグメンテーションに対するより原理的なアプローチについても検討する。
論文 参考訳（メタデータ） (2024-04-04T19:50:57Z) - Text2NKG: Fine-Grained N-ary Relation Extraction for N-ary relational Knowledge Graph Construction [20.281505340983035]
Text2NKGは,n-aryリレーショナル知識グラフ構築のための,新しいn-aryリレーショナル抽出フレームワークである。
ヘテロオーダーのマージと出力マージを併用したスパンタプル分類手法を導入し,異なるアリティにおけるn-項関係抽出を実現する。
論文 参考訳（メタデータ） (2023-10-08T14:47:13Z) - Rank Collapse Causes Over-Smoothing and Over-Correlation in Graph Neural Networks [3.566568169425391]
深さが大きくなると、ノード表現はアグリゲーション関数に依存するが特徴変換には依存しない低次元部分空間に支配されることが示される。
すべてのアグリゲーション関数について、ノード表現のランクは崩壊し、特定のアグリゲーション関数に対して過度に滑らかになる。
論文 参考訳（メタデータ） (2023-08-31T15:22:31Z) - Gaussian Prior Reinforcement Learning for Nested Named Entity
Recognition [52.46740830977898]
GPRLと呼ばれる新しいSeq2seqモデルを提案し、ネストしたNERタスクをエンティティ三重項列生成プロセスとして定式化する。
3つのネストされたNERデータセットの実験では、GPRLが以前のネストされたNERモデルより優れていることが示されている。
論文 参考訳（メタデータ） (2023-05-12T05:55:34Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳（メタデータ） (2022-11-28T17:36:41Z) - Equivariant Transduction through Invariant Alignment [71.45263447328374]
グループ内ハードアライメント機構を組み込んだ,新しいグループ同変アーキテクチャを提案する。
我々のネットワーク構造は、既存のグループ同変アプローチよりも強い同変特性を発達させることができる。
また、SCANタスクにおいて、従来のグループ同変ネットワークよりも経験的に優れていたことが判明した。
論文 参考訳（メタデータ） (2022-09-22T11:19:45Z) - Clue Me In: Semi-Supervised FGVC with Out-of-Distribution Data [44.90231337626545]
半教師付き視覚分類のための配布外データ処理に特化した新しい設計を提案する。
実験の結果, (i) 提案手法は分布外データに対して良好なロバスト性を示し, (ii) 先行技術を用いて, 性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-12-06T07:22:10Z) - Enquire One's Parent and Child Before Decision: Fully Exploit
Hierarchical Structure for Self-Supervised Taxonomy Expansion [17.399482876574407]
本稿では,階層構造の性質を最大限に活用し,拡張された分類の一貫性を最大化する階層拡張フレームワーク(HEF)を提案する。
HEFは3つのベンチマークデータセットにおいて、平均的精度が46.7%、平均的相互ランクが32.3%向上した。
論文 参考訳（メタデータ） (2021-01-27T08:57:47Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。