Fugu-MT 論文翻訳(概要): RxnScribe: A Sequence Generation Model for Reaction Diagram Parsing

論文の概要: RxnScribe: A Sequence Generation Model for Reaction Diagram Parsing

arxiv url: http://arxiv.org/abs/2305.11845v1
Date: Fri, 19 May 2023 17:37:28 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 13:10:53.716073
Title: RxnScribe: A Sequence Generation Model for Reaction Diagram Parsing
Title（参考訳）: RxnScribe:反応図解析のためのシーケンス生成モデル
Authors: Yujie Qian, Jiang Guo, Zhengkai Tu, Connor W. Coley, Regina Barzilay
Abstract要約: RxnScribeは、様々なスタイルの反応図を解析する機械学習モデルである。我々はRxnScribeを1,378図のデータセットでトレーニングし、クロスバリデーションで評価し、80.0%のソフトマッチF1スコアを達成した。
参考スコア（独自算出の注目度）: 31.04305234247186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reaction diagram parsing is the task of extracting reaction schemes from a diagram in the chemistry literature. The reaction diagrams can be arbitrarily complex, thus robustly parsing them into structured data is an open challenge. In this paper, we present RxnScribe, a machine learning model for parsing reaction diagrams of varying styles. We formulate this structured prediction task with a sequence generation approach, which condenses the traditional pipeline into an end-to-end model. We train RxnScribe on a dataset of 1,378 diagrams and evaluate it with cross validation, achieving an 80.0% soft match F1 score, with significant improvements over previous models. Our code and data are publicly available at https://github.com/thomas0809/RxnScribe.
Abstract（参考訳）: 反応ダイアグラム解析は化学文献のダイアグラムから反応スキームを抽出する作業である。反応ダイアグラムは任意に複雑であるため、構造化データにロバストに解析することは難しい課題である。本稿では,様々な形式の反応図を解析するための機械学習モデルであるrxnscribeを提案する。この構造的予測タスクをシーケンス生成アプローチで定式化し、従来のパイプラインをエンドツーエンドモデルに凝縮する。我々は、1,378図のデータセットでRxnScribeをトレーニングし、それをクロスバリデーションで評価し、80.0%のソフトマッチF1スコアを達成した。私たちのコードとデータはhttps://github.com/thomas0809/rxnscribeで公開されている。

関連論文リスト

Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
論文参考訳（メタデータ） (2024-09-13T02:23:55Z)
Open-Domain Hierarchical Event Schema Induction by Incremental Prompting and Verification [81.17473088621209]
イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
論文参考訳（メタデータ） (2023-07-05T01:00:44Z)
Single Sequence Prediction over Reasoning Graphs for Multi-hop QA [8.442412179333205]
局所推論グラフ(モデル)フットノートコード/モデル上での単一シーケンス予測手法を提案する。グラフニューラルネットワークを用いて、このグラフ構造を符号化し、結果の表現をモデルのエンティティ表現に融合する。実験の結果, 正確なマッチング/F1のスコアと, 推論経路におけるグラウンドの忠実度は有意に向上した。
論文参考訳（メタデータ） (2023-07-01T13:15:09Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Thutmose Tagger: Single-pass neural model for Inverse Text Normalization [76.87664008338317]
逆テキスト正規化(ITN)は自動音声認識において重要な後処理ステップである。本稿では,ITN例の粒度アライメントに基づくデータセット作成手法を提案する。タグと入力語との1対1対応により、モデルの予測の解釈性が向上する。
論文参考訳（メタデータ） (2022-07-29T20:39:02Z)
Iterative Scene Graph Generation [55.893695946885174]
シーングラフ生成は、オブジェクトエンティティとその対応する相互作用述語を所定の画像(またはビデオ)で識別する。シーングラフ生成への既存のアプローチは、推定イテレーションの実現を可能にするために、関節分布の特定の因子化を前提としている。本稿では,この制限に対処する新しいフレームワークを提案するとともに,画像に動的条件付けを導入する。
論文参考訳（メタデータ） (2022-07-27T10:37:29Z)
Compositionality as Lexical Symmetry [42.37422271002712]
意味解析、命令追従、質問応答といったタスクでは、標準的なディープネットワークは小さなデータセットから合成的に一般化できない。本稿では、モデルよりもデータ分布の対称性の制約として、構成性のドメイン一般およびモデル非依存の定式化を提案する。 LEXSYMと呼ばれる手法は,これらの変換を自動的に検出し,通常のニューラルシーケンスモデルのトレーニングデータに適用する。
論文参考訳（メタデータ） (2022-01-30T21:44:46Z)
Learning to Learn Graph Topologies [27.782971146122218]
ノードデータからグラフ構造へのマッピングを学習する(L2O)。このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
論文参考訳（メタデータ） (2021-10-19T08:42:38Z)
NP-DRAW: A Non-Parametric Structured Latent Variable Modelfor Image Generation [139.8037697822064]
NP-DRAWと呼ばれる画像生成のための非パラメトリック構造化潜在変数モデルを提案する。後続のキャンバスをパーツ単位で順次描画し、それをキャンバスからデコードする。
論文参考訳（メタデータ） (2021-06-25T05:17:55Z)
Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。