論文の概要: Bayesian Networks for Named Entity Prediction in Programming Community Question Answering

• arxiv url: http://arxiv.org/abs/2302.13253v1
• Date: Sun, 26 Feb 2023 07:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-02-28 18:01:54.857415
• Title: Bayesian Networks for Named Entity Prediction in Programming Community Question Answering
• Title（参考訳）: プログラミングコミュニティ質問応答におけるエンティティ予測のためのベイジアンネットワーク
• Authors: Alexey Gorbatovski and Sergey Kovalchuk
• Abstract要約: ベイジアンネットワークを用いた自然言語処理のための新しい手法を提案し,その文脈を予測・解析する。 ベイジアンネットワークとBIC、BDeu、K2、Chow-Liuといったスコアメトリクスを比較した。 さらに,有向非巡回グラフの可視化を行い,意味的関係を解析する。
• 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: Within this study, we propose a new approach for natural language processing using Bayesian networks to predict and analyze the context and how this approach can be applied to the Community Question Answering domain. We discuss how Bayesian networks can detect semantic relationships and dependencies between entities, and this is connected to different score-based approaches of structure-learning. We compared the Bayesian networks with different score metrics, such as the BIC, BDeu, K2 and Chow-Liu trees. Our proposed approach out-performs the baseline model at the precision metric. We also discuss the influence of penalty terms on the structure of Bayesian networks and how they can be used to analyze the relationships between entities. In addition, we examine the visualization of directed acyclic graphs to analyze semantic relationships. The article further identifies issues with detecting certain semantic classes that are separated in the structure of directed acyclic graphs. Finally, we evaluate potential improvements for the Bayesian network approach.
• Abstract（参考訳）: そこで本研究では,ベイズネットワークを用いた自然言語処理のための新しい手法を提案する。 ベイジアンネットワークがエンティティ間のセマンティックな関係や依存関係をどうやって検出できるかを論じる。 BIC, BDeu, K2, Chow-Liu木など, ベイジアンネットワークを異なるスコア指標で比較した。 提案手法は,精度測定値においてベースラインモデルより優れる。 また、ベイズネットワークの構造に対するペナルティ項の影響と、それらを用いてエンティティ間の関係を解析する方法についても論じる。 さらに,有向非巡回グラフの可視化を行い,意味的関係を解析する。 記事はさらに、有向非巡回グラフの構造で分離された特定の意味クラスを検出する際の問題を特定する。 最後に,ベイズネットワークアプローチの潜在的な改善について評価する。

関連論文リスト

• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• SEM-GAT: Explainable Semantic Pose Estimation using Learned Graph Attention [10.883346969896621]
  本稿では,信頼度の高いポイントクラウド登録候補の識別を導くために,意味論と局所幾何学を利用したグラフニューラルネットワーク(GNN)に基づく手法を提案する。 環境のセマンティックおよび形態学的特徴は、登録のための重要な基準点として機能し、正確なライダーベースのポーズ推定を可能にする。 提案手法をKITTIオドメトリデータセット上でテストし,ベンチマーク手法と比較して競合精度が向上し,より少ないネットワークパラメータに依存しながら,トラックのスムーズさが向上した。
  論文  参考訳（メタデータ） (2023-08-07T16:43:46Z)
• Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
  並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。 PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。 我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
  論文  参考訳（メタデータ） (2023-01-09T17:00:34Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• A Coupled CP Decomposition for Principal Components Analysis of Symmetric Networks [11.988825533369686]
  シーケンスネットワークデータのための主成分分析(PCA)フレームワークを提案する。 提案した「結合CP」分解の効率的な計算アルゴリズムを導出する。 本稿は、シミュレーションデータと、政治科学・金融経済学の事例における提案の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-09T20:52:19Z)
• NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters [70.55488722439239]
  提案するNOTMADは,サンプルコンテキストに応じてアーキティパルネットワークの混合を学習する。 患者固有の遺伝子発現ネットワークを含む分析および実験を通じて,NOTMADとサンプル特異的ネットワーク推論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-11-01T17:17:34Z)
• Oil and Gas Reservoirs Parameters Analysis Using Mixed Learning of Bayesian Networks [0.0]
  この手法はベイズネットワークの構造学習のための拡張アルゴリズムMixLearn@BNに基づいている。 この手法は、世界中の1000以上の石油貯水池のデータベースに適用された。
  論文  参考訳（メタデータ） (2021-03-02T15:27:49Z)
• SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from Monocular images [94.36401543589523]
  これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。 次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。 私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
  論文  参考訳（メタデータ） (2021-01-19T02:41:03Z)
• A Score-and-Search Approach to Learning Bayesian Networks with Noisy-OR Relations [3.81379858342235]
  ベイズネットワークは、よく知られたスコア・アンド・サーチ手法を用いてデータから学習することができる。 ノイズとORの関係の重要かつ広く有用な事例にスコア・アンド・サーチ・アプローチをどのように拡張するかを示す。
  論文  参考訳（メタデータ） (2020-11-03T03:20:44Z)
• Bayesian Topological Learning for Classifying the Structure of Biological Networks [1.644043499620662]
  Actin cytoskeleton Networkは、ネットワークの穴の数、大きさ、形状の自然変化によって局所的なトポロジカルなシグネチャを生成する。 永続ホモロジー(Persistent homology)は、データのトポロジ的性質を探索し、永続化ダイアグラムとして要約する手法である。 本研究では,アクチンフィラメントネットワークの分類にベイズ係数アルゴリズムを適用し,いくつかの最先端の分類手法と比較した。
  論文  参考訳（メタデータ） (2020-09-24T22:43:03Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。