論文の概要: Taxonomy Completion with Probabilistic Scorer via Box Embedding
- arxiv url: http://arxiv.org/abs/2305.11004v2
- Date: Fri, 19 May 2023 07:48:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 10:30:20.862922
- 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, Shiliang 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): 65.75844444520057
- 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
- A Unified Taxonomy-Guided Instruction Tuning Framework for Entity Set
Expansion and Taxonomy Expansion [35.723146854660165]
3つの代表的タスクを使用して、既存の分類を新しいエンティティで自動的にポップアップさせることができる。
我々はこれらのタスクに必要な共通鍵スキルを分類学的構造の観点から同定する。
本稿では,これら3つの課題を協調的に解決する統合型分類誘導指導フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-20T22:19:56Z) - TaBIIC: Taxonomy Building through Iterative and Interactive Clustering [2.817412580574242]
本稿では,反復的かつインタラクティブなプロセスにおいて,両方のアプローチからインスピレーションを得る方法を検討する。
本稿では,本手法が様々なデータソースに適用可能であることを示し,オントロジーにより直接的に組み込むことができることを示す。
論文 参考訳(メタデータ) (2023-12-10T12:17:43Z) - M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot
Fine-grained Action Recognition [80.21796574234287]
M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。
textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。
説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
論文 参考訳(メタデータ) (2023-08-06T09:15:14Z) - TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic
Representations [28.65753036636082]
本稿では,既存の分類学における意味的特徴と構造的情報の両方を効果的に活用する新しい分類学補完フレームワークを提案する。
分類エンリッチは,(1)概念の意味的意味と分類学的関係を,強力な事前学習言語モデルに基づいて組み込んだ分類記述型埋め込み,(2)分類の構造情報を符号化して候補位置表現を学習する分類認識シーケンシャルエンコーダの4つの構成要素から構成される。
異なるドメインからの4つの大規模な実世界のデータセットの実験は、TaxoEnrichがすべての評価指標の中で最高のパフォーマンスを達成し、過去の最先端よりも大きなマージンでパフォーマンスを向上していることを示している。
論文 参考訳(メタデータ) (2022-02-10T08:10:43Z) - 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。