論文の概要: Taxonomy Completion with Probabilistic Scorer via Box Embedding
- arxiv url: http://arxiv.org/abs/2305.11004v3
- Date: Tue, 18 Jun 2024 04:20:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 13:10:19.063752
- Title: Taxonomy Completion with Probabilistic Scorer via Box Embedding
- Title(参考訳): ボックス埋め込みによる確率スコラーを用いた分類学の完成
- Authors: Wei Xue, Yongliang Shen, Wenqi Ren, Jietian Guo, Shiliang Pu, Weiming Lu,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 75.69894194912595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Taxonomy completion, enriching existing taxonomies by inserting new concepts as parents or attaching them as children, has gained significant interest. Previous approaches embed concepts as vectors in Euclidean space, which makes it difficult to model asymmetric relations in taxonomy. In addition, they introduce pseudo-leaves to convert attachment cases into insertion cases, leading to an incorrect bias in network learning dominated by numerous pseudo-leaves. Addressing these, our framework, TaxBox, leverages box containment and center closeness to design two specialized geometric scorers within the box embedding space. These scorers are tailored for insertion and attachment operations and can effectively capture intrinsic relationships between concepts by optimizing on a granular box constraint loss. We employ a dynamic ranking loss mechanism to balance the scores from these scorers, allowing adaptive adjustments of insertion and attachment scores. Experiments on four real-world datasets show that TaxBox significantly outperforms previous methods, yielding substantial improvements over prior methods in real-world datasets, with average performance boosts of 6.7%, 34.9%, and 51.4% in MRR, Hit@1, and Prec@1, respectively.
- Abstract(参考訳): 新たな概念を親として挿入したり、子供としてアタッチメントすることで、既存の分類学を充実させた分類学の完成が大きな関心を集めている。
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。
さらに、疑似リーブを導入し、アタッチメントケースを挿入ケースに変換することで、多数の擬似リーブが支配するネットワーク学習における誤ったバイアスをもたらす。
これらの問題に対処するために、私たちのフレームワークであるTaxBoxは、ボックスの包み込みと中心のクローズネスを活用して、ボックス埋め込み空間内に2つの特別な幾何学的スコアラを設計する。
これらのスコアラは挿入操作やアタッチメント操作用に調整されており、粒状箱の制約損失を最適化することにより、概念間の本質的な関係を効果的に捉えることができる。
我々はこれらのスコアのバランスをとるために動的ランキング損失機構を使用し、挿入点とアタッチメント点の適応的な調整を可能にした。
実世界の4つのデータセットに対する実験によると、TaxBoxは従来の方法よりも大幅に向上し、実世界のデータセットでは6.7%、34.9%、MRRでは51.4%、Hit@1、Prec@1では51.4%となっている。
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。