論文の概要: Disentangling Domain Ontologies
- arxiv url: http://arxiv.org/abs/2304.00004v1
- Date: Tue, 21 Mar 2023 08:36:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 05:55:58.085055
- Title: Disentangling Domain Ontologies
- Title(参考訳): ドメインオントロジーの解消
- Authors: Mayukh Bagchi and Subhashis Das
- Abstract要約: そこで本研究では,マルチレベルな概念モデリング戦略であるConceptual Disentanglementを提案する。
現状の技術開発手法とアプローチが、我々の特性に関して不十分である理由を論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we introduce and illustrate the novel phenomenon of Conceptual
Entanglement which emerges due to the representational manifoldness immanent
while incrementally modelling domain ontologies step-by-step across the
following five levels: perception, labelling, semantic alignment, hierarchical
modelling and intensional definition. In turn, we propose Conceptual
Disentanglement, a multi-level conceptual modelling strategy which enforces and
explicates, via guiding principles, semantic bijections with respect to each
level of conceptual entanglement (across all the above five levels) paving the
way for engineering conceptually disentangled domain ontologies. We also
briefly argue why state-of-the-art ontology development methodologies and
approaches are insufficient with respect to our characterization.
- Abstract(参考訳): 本稿では,認識,ラベリング,意味的アライメント,階層的モデリング,インテンテンション定義という5つのレベルを段階的にモデル化しながら,表現的多様体性が不連続であることから生じる概念的絡み合いの新たな現象を紹介,解説する。
そこで本研究では,概念的絡み合い(上述の5段階にわたって)の各レベルに対する意味的ビジェクションを導くことによって,概念的絡み合い(conceptual Disentanglement)を強制・説明する多段階概念モデリング戦略を提案する。
また, 現状のオントロジー開発手法とアプローチが不十分である理由についても, 評価について簡潔に論じる。
関連論文リスト
- An Axiomatic Approach to Model-Agnostic Concept Explanations [67.84000759813435]
本稿では、線形性、再帰性、類似性という3つの自然な公理を満たす概念的説明へのアプローチを提案する。
次に、従来の概念的説明手法とのつながりを確立し、それらの意味の異なる意味についての洞察を提供する。
論文 参考訳(メタデータ) (2024-01-12T20:53:35Z) - Hierarchical Concept Discovery Models: A Concept Pyramid Scheme [11.138948381367133]
この研究は、アンテホック解釈可能性、特に概念ボトルネックモデル(CBM)をターゲットにしている。
私たちのゴールは、人間の理解可能な概念に関して、高度に解釈可能な意思決定プロセスを認めるフレームワークを設計することです。
この枠組みの中では、概念情報は全体像と一般的な非構造化概念との類似性にのみ依存しない。
論文 参考訳(メタデータ) (2023-10-03T14:57:31Z) - Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。
我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。
我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
論文 参考訳(メタデータ) (2022-08-31T17:06:46Z) - A Diversity-Aware Domain Development Methodology [0.0]
この論文は、上記の表現多様性の欠点を根拠に、3倍の解法を提案する。
i) 再利用可能な概念をレンダリングするための基本的なパイプライン、(ii) テレロジーと呼ばれる最小限の知識モデルの最初の特徴付け、(iii) 多様性を意識したドメイン開発を活用したソリューションのためのフレキシブルで再利用可能な方法論を含む。
論文 参考訳(メタデータ) (2022-08-27T17:58:47Z) - Human-Centered Concept Explanations for Neural Networks [47.71169918421306]
概念活性化ベクトル(Concept Activation Vectors, CAV)のクラスを含む概念的説明を紹介する。
次に、自動的に概念を抽出するアプローチと、それらの注意事項に対処するアプローチについて議論する。
最後に、このような概念に基づく説明が、合成設定や実世界の応用において有用であることを示すケーススタディについて論じる。
論文 参考訳(メタデータ) (2022-02-25T01:27:31Z) - Toward a Visual Concept Vocabulary for GAN Latent Space [74.12447538049537]
本稿では,GANの潜在空間で表現される原始視覚概念のオープンエンド語彙を構築するための新しい手法を提案する。
提案手法は, 層選択性に基づく知覚的正当方向の自動識別, 自由形, 構成的自然言語記述による人為的アノテーションの3つの要素から構成される。
実験により、我々のアプローチで学んだ概念は信頼性があり、構成可能であることが示され、クラス、コンテキスト、オブザーバをまたいで一般化される。
論文 参考訳(メタデータ) (2021-10-08T17:58:19Z) - Is Disentanglement all you need? Comparing Concept-based &
Disentanglement Approaches [24.786152654589067]
概念に基づく説明と非絡み合いのアプローチの概要を述べる。
両クラスからの最先端のアプローチは、データ非効率、分類/回帰タスクの特定の性質に敏感、あるいは採用した概念表現に敏感であることを示す。
論文 参考訳(メタデータ) (2021-04-14T15:06:34Z) - Formalising Concepts as Grounded Abstractions [68.24080871981869]
このレポートは、表現学習が生データから概念を誘導する方法を示しています。
このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
論文 参考訳(メタデータ) (2021-01-13T15:22:01Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳(メタデータ) (2020-07-14T22:04:17Z) - Categories of Semantic Concepts [0.0]
この研究は、G"ardenfors意味空間、カテゴリー構成言語学、および応用圏論から概念の領域非依存的・カテゴリー的形式主義を提示する概念的ツールの合流の上に構築される。
論文 参考訳(メタデータ) (2020-04-22T17:50:04Z) - CHAIN: Concept-harmonized Hierarchical Inference Interpretation of Deep
Convolutional Neural Networks [25.112903533844296]
The Concept-harmonized HierArchical Inference (CHAIN) is proposed to interpretation the net decision-making process。
ネット決定を解釈するために、提案手法は、ネット決定を階層的に導出できるCHAIN解釈を示す。
定量的および定性的な実験では、CHAINのインスタンスレベルとクラスレベルでの有効性を示す。
論文 参考訳(メタデータ) (2020-02-05T06:45:23Z)
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。