論文の概要: Multi-Granularity Archaeological Dating of Chinese Bronze Dings Based on
a Knowledge-Guided Relation Graph
- arxiv url: http://arxiv.org/abs/2303.15266v1
- Date: Mon, 27 Mar 2023 14:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 14:45:23.103164
- Title: Multi-Granularity Archaeological Dating of Chinese Bronze Dings Based on
a Knowledge-Guided Relation Graph
- Title(参考訳): 知識誘導関係グラフに基づく中国の青銅器の多粒度考古学年代
- Authors: Rixin Zhou, Jiafu Wei, Qian Zhang, Ruihua Qi, Xi Yang, Chuntao Li
- Abstract要約: 現在の考古学は、青銅年代測定を行うための訓練された専門家に依存している。
先進的な深層学習技術と考古学的知識を統合するための学習に基づくアプローチを提案する。
- 参考スコア(独自算出の注目度): 5.359415272318481
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The archaeological dating of bronze dings has played a critical role in the
study of ancient Chinese history. Current archaeology depends on trained
experts to carry out bronze dating, which is time-consuming and
labor-intensive. For such dating, in this study, we propose a learning-based
approach to integrate advanced deep learning techniques and archaeological
knowledge. To achieve this, we first collect a large-scale image dataset of
bronze dings, which contains richer attribute information than other existing
fine-grained datasets. Second, we introduce a multihead classifier and a
knowledge-guided relation graph to mine the relationship between attributes and
the ding era. Third, we conduct comparison experiments with various existing
methods, the results of which show that our dating method achieves a
state-of-the-art performance. We hope that our data and applied networks will
enrich fine-grained classification research relevant to other interdisciplinary
areas of expertise. The dataset and source code used are included in our
supplementary materials, and will be open after submission owing to the
anonymity policy. Source codes and data are available at:
https://github.com/zhourixin/bronze-Ding.
- Abstract(参考訳): 青銅器の考古学的年代測定は、古代中国史研究において重要な役割を担っている。
現在の考古学は、青銅年代測定を行うための訓練された専門家に依存している。
そこで本研究では,高度な深層学習技術と考古学的知識を統合するための学習に基づくアプローチを提案する。
これを実現するために,我々はまず,既存のきめ細かなデータセットよりもリッチな属性情報を含む青銅板の大規模画像データセットを収集した。
第2に,マルチヘッド分類器と知識誘導関係グラフを導入し,属性とding時代との関係を推定する。
第3に, 既存手法との比較実験を行い, その結果から, デート方式が最先端の性能を達成できることを示す。
我々のデータと応用ネットワークは、他の学際的な専門分野に関連するきめ細かな分類研究を充実させることを望んでいる。
使用するデータセットとソースコードは補足資料に含まれており、匿名ポリシーにより提出後に公開されます。
ソースコードとデータは、https://github.com/zhourixin/bronze-dingで入手できる。
関連論文リスト
- A High-Accuracy SSIM-based Scoring System for Coin Die Link Identification [40.407824759778784]
この研究は、考古学的コイン分析の合理化と向上を約束する進歩を紹介する。
ダイリンク検出のためのコイン画像(329枚)の最初の公開データセット。
コインペアの迅速かつ正確な識別のためのSSIMに基づく新しいスコアリング法
我々のスコアを用いたクラスタリング手法の評価により, ほぼ完璧なダイリンク同定が得られた。
論文 参考訳(メタデータ) (2025-02-03T09:23:20Z) - ShiftedBronzes: Benchmarking and Analysis of Domain Fine-Grained Classification in Open-World Settings [5.144974645567005]
ShiftedBronzesは、きめ細かい青銅器年代測定のためのベンチマークデータセットである。
ShiftedBronzesには2種類の青銅器データと7種類のOODデータが含まれている。
ShiftedBronzesと5つの一般的なOODデータセットについて実験を行った。
論文 参考訳(メタデータ) (2024-12-17T08:56:59Z) - Multi-Source Knowledge Pruning for Retrieval-Augmented Generation: A Benchmark and Empirical Study [46.55831783809377]
大規模言語モデル(LLM)の幻覚を緩和するための効果的なアプローチとして,検索拡張世代(RAG)がますます認識されている。
PruningRAGはマルチグラニュラリティ・プルーニング・ストラテジーを用いて,関連コンテキストをより効果的に統合し,誤った情報に対するネガティブな影響を軽減するためのプラグアンドプレイRAGフレームワークである。
論文 参考訳(メタデータ) (2024-09-03T03:31:37Z) - Query of CC: Unearthing Large Scale Domain-Specific Knowledge from
Public Corpora [104.16648246740543]
大規模言語モデルに基づく効率的なデータ収集手法を提案する。
この方法は、大きな言語モデルを通してシード情報をブートストラップし、公開コーパスから関連データを検索する。
特定のドメインに関する知識関連のデータを収集するだけでなく、潜在的な推論手順でデータを抽出する。
論文 参考訳(メタデータ) (2024-01-26T03:38:23Z) - Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。
そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
論文 参考訳(メタデータ) (2023-12-21T14:20:06Z) - Knowledge-Enhanced Relation Extraction Dataset [8.612433805862619]
現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。
知識強化関係抽出データセット(KERED)について紹介する。
KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
論文 参考訳(メタデータ) (2022-10-19T13:23:10Z) - Can I see an Example? Active Learning the Long Tail of Attributes and
Relations [64.50739983632006]
視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。
従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。
このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-11T19:28:19Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳(メタデータ) (2021-10-27T15:20:41Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳(メタデータ) (2021-07-01T09:26:13Z) - Inferential Text Generation with Multiple Knowledge Sources and
Meta-Learning [117.23425857240679]
本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。
既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。
この研究では、モデルのための燃料として複数の知識ソースを使用します。
論文 参考訳(メタデータ) (2020-04-07T01:49:18Z)
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。