論文の概要: Taxonomy Completion with Probabilistic Scorer via Box Embedding

• arxiv url: http://arxiv.org/abs/2305.11004v1
• Date: Thu, 18 May 2023 14:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 14:47:40.894854
• Title: Taxonomy Completion with Probabilistic Scorer via Box Embedding
• Title（参考訳）: 確率スコアを用いたボックス埋め込みによる分類補完
• Authors: Wei Xue, Yongliang Shen, Wenqi Ren, Jietian Guo, Siliang Pu, Weiming Lu
• Abstract要約: TaxBoxは、分類学の概念をボックス埋め込みにマッピングする、分類学の完成のための新しいフレームワークである。 TaxBoxは概念のアタッチメントと挿入のために2つの確率的スコアラを採用しており、擬似リーブを必要としない。
• 参考スコア（独自算出の注目度）: 40.66250150231314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Taxonomy completion, a task aimed at automatically enriching an existing taxonomy with new concepts, has gained significant interest in recent years. Previous works have introduced complex modules, external information, and pseudo-leaves to enrich the representation and unify the matching process of attachment and insertion. While they have achieved good performance, these introductions may have brought noise and unfairness during training and scoring. In this paper, we present TaxBox, a novel framework for taxonomy completion that maps taxonomy concepts to box embeddings and employs two probabilistic scorers for concept attachment and insertion, avoiding the need for pseudo-leaves. Specifically, TaxBox consists of three components: (1) a graph aggregation module to leverage the structural information of the taxonomy and two lightweight decoders that map features to box embedding and capture complex relationships between concepts; (2) two probabilistic scorers that correspond to attachment and insertion operations and ensure the avoidance of pseudo-leaves; and (3) three learning objectives that assist the model in mapping concepts more granularly onto the box embedding space. Experimental results on four real-world datasets suggest that TaxBox outperforms baseline methods by a considerable margin and surpasses previous state-of-art methods to a certain extent.
• Abstract（参考訳）: 既存の分類を新しい概念で自動的に強化するタスクである分類完成は、近年、大きな関心を集めている。 以前は複雑なモジュール、外部情報、擬似リーブを導入し、表現を充実させ、アタッチメントと挿入のマッチングプロセスを統一した。 成績は良好だが、これらの導入はトレーニングやスコアリングにノイズや不公平をもたらした可能性がある。 本稿では,分類概念をボックス埋め込みにマッピングし,擬似リーブの必要性を回避するために2つの確率的スコアラを用いた分類完成のための新しいフレームワークであるTaxBoxを提案する。 Specifically, TaxBox consists of three components: (1) a graph aggregation module to leverage the structural information of the taxonomy and two lightweight decoders that map features to box embedding and capture complex relationships between concepts; (2) two probabilistic scorers that correspond to attachment and insertion operations and ensure the avoidance of pseudo-leaves; and (3) three learning objectives that assist the model in mapping concepts more granularly onto the box embedding space. 4つの実世界のデータセットでの実験的結果は、taxboxがベースラインメソッドをかなり上回っており、以前の最先端メソッドをある程度上回っていることを示唆している。

関連論文リスト

• Concept-wise Fine-tuning Matters in Preventing Negative Transfer [17.060892283250215]
  既訓練モデルにおける2種類の低性能特徴による負の伝達を緩和するには,オフザシェルフファインタニング技術は不十分である。 本稿では,概念を符号化するパッチのレベルで特徴表現を洗練するコンセプトワイド微調整(Concept-Tuning)手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T14:58:11Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• GANTEE: Generative Adversatial Network for Taxonomy Entering Evaluation [19.036529022923194]
  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。
  論文  参考訳（メタデータ） (2023-03-25T14:24:50Z)
• Fine-grained Data Distribution Alignment for Post-Training Quantization [100.82928284439271]
  学習後量子化の性能を高めるために,データ分散アライメント(FDDA)法を提案する。 提案手法は,特に第1層と第2層が低ビットに量子化されている場合,ImageNet上での最先端性能を示す。
  論文  参考訳（メタデータ） (2021-09-09T11:45:52Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• 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)
• 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。