論文の概要: GANTEE: Generative Adversatial Network for Taxonomy Entering Evaluation

• arxiv url: http://arxiv.org/abs/2303.14480v1
• Date: Sat, 25 Mar 2023 14:24:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 19:24:09.925175
• Title: GANTEE: Generative Adversatial Network for Taxonomy Entering Evaluation
• Title（参考訳）: GANTEE: 分類学のためのジェネレーティブ・ディバイザティカル・ネットワークの評価
• Authors: Zhouhong Gu, Sihang Jiang, Jingping Liu, Yanghua Xiao, Hongwei Feng, Zhixu Li, Jiaqing Liang, Jian Zhong
• Abstract要約: 従来の分類学拡張タスクは、既存の分類学における新しい概念の最良の位置を見つけることを目的としている。 従来の手法は、新しいコンセプトのほとんどが本当にノイズの多いコンセプトであるのに多くの時間を浪費しているため、低効率に悩まされている。 本稿では、これらの欠点を軽減するために、GANTEE(Generative Adversarial Network for Taxonomy Entering Evaluation)と呼ばれるプラグイン可能なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 19.036529022923194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Taxonomy is formulated as directed acyclic concepts graphs or trees that support many downstream tasks. Many new coming concepts need to be added to an existing taxonomy. The traditional taxonomy expansion task aims only at finding the best position for new coming concepts in the existing taxonomy. However, they have two drawbacks when being applied to the real-scenarios. The previous methods suffer from low-efficiency since they waste much time when most of the new coming concepts are indeed noisy concepts. They also suffer from low-effectiveness since they collect training samples only from the existing taxonomy, which limits the ability of the model to mine more hypernym-hyponym relationships among real concepts. This paper proposes a pluggable framework called Generative Adversarial Network for Taxonomy Entering Evaluation (GANTEE) to alleviate these drawbacks. A generative adversarial network is designed in this framework by discriminative models to alleviate the first drawback and the generative model to alleviate the second drawback. Two discriminators are used in GANTEE to provide long-term and short-term rewards, respectively. Moreover, to further improve the efficiency, pre-trained language models are used to retrieve the representation of the concepts quickly. The experiments on three real-world large-scale datasets with two different languages show that GANTEE improves the performance of the existing taxonomy expansion methods in both effectiveness and efficiency.
• Abstract（参考訳）: 分類学は、多くの下流タスクをサポートする有向非循環概念グラフや木として定式化されている。 既存の分類法に多くの新しい概念を追加する必要がある。 従来の分類学拡張タスクは、既存の分類学における新しい概念の最良の位置を見つけることのみを目的としている。 しかし、実際のスセナリオに適用する際の欠点は2つある。 以前の手法は、新しいコンセプトが本当に騒がしい概念である場合、多くの時間を浪費するため、低効率に苦しむ。 彼らはまた、既存の分類学からのみトレーニングサンプルを収集し、モデルが実際の概念間のより高名・高位関係をマイニングする能力を制限するため、効果の低い。 本稿では,これらの欠点を解消するために,generative adversarial network for taxonomy entry evaluation (gantee) と呼ばれるプラグインフレームワークを提案する。 このフレームワークでは、第1の欠点を緩和する識別モデルと第2の欠点を緩和する生成モデルにより、生成的敵ネットワークを設計する。 GANTEEでは2つの差別者がそれぞれ長期報酬と短期報酬を提供している。 さらに,効率を向上させるために,事前学習した言語モデルを用いて概念の表現を迅速に検索する。 2つの異なる言語を持つ3つの実世界の大規模データセットに対する実験により、GANTEEは既存の分類拡張手法の性能を、有効性と効率の両方で改善することを示した。

関連論文リスト

• CodeTaxo: Enhancing Taxonomy Expansion with Limited Examples via Code Language Prompts [40.52605902842168]
  textscCodeTaxoは、コード言語プロンプトを通じて大きな言語モデルを活用する新しいアプローチである。 異なるドメインの5つの実世界のベンチマークの実験では、textscCodeTaxoはすべての評価指標に対して一貫して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-17T02:15:07Z)
• Find Parent then Label Children: A Two-stage Taxonomy Completion Method with Pre-trained Language Model [46.00652942385366]
  分類の完備化のために,ATTEMPTと呼ばれる2段階の手法を提案する。 親ノードを見つけて子ノードをラベル付けすることで,新しい概念を正しい位置に挿入する。 我々は、ハイパーニム/ハイポニミー認識のための事前訓練された言語モデルを利用する。
  論文  参考訳（メタデータ） (2024-06-25T17:25:02Z)
• Insert or Attach: Taxonomy Completion via Box Embedding [75.69894194912595]
  以前のアプローチでは、ユークリッド空間のベクトルとして概念を組み込んでおり、分類学における非対称関係をモデル化することは困難である。 ボックス内埋め込み空間内に2つの特殊な幾何学的スコアラを設計するために,ボックス封じ込めと中心クローズネスを活用するフレームワークであるTaxBoxを開発した。 これらのスコアラーは挿入操作とアタッチメント操作用に調整されており、概念間の本質的な関係を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2023-05-18T14:34:58Z)
• Who Should Go First? A Self-Supervised Concept Sorting Model for Improving Taxonomy Expansion [50.794640012673064]
  データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。 分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。 本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
  論文  参考訳（メタデータ） (2021-04-08T11:00:43Z)
• Taxonomy Completion via Triplet Matching Network [18.37146040410778]
  我々は,クエリのハイパーニム概念とハイポニム概念の両方を発見することで,新しいタスクである「タキソノミー補完」を定式化する。 与えられたクエリの概念に対して適切なハイパーニム, hyponym> ペアを見つけるために,Triplet Matching Network (TMN) を提案する。 TMNは、既存の方法よりも優れた、分類完了タスクと以前の分類拡張タスクの両方で最高のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-01-06T07:19:55Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)
• STEAM: Self-Supervised Taxonomy Expansion with Mini-Paths [53.45704816829921]
  本稿では,STEAMという自己管理型分類拡張モデルを提案する。 STEAMは自然の自己超越信号を生成し、ノードアタッチメント予測タスクを定式化する。 実験の結果、STEAMは11.6%の精度と7.0%の相反ランクで、最先端の分類法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-18T00:32:53Z)
• 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。