論文の概要: NeSy4VRD: A Multifaceted Resource for Neurosymbolic AI Research using Knowledge Graphs in Visual Relationship Detection

• arxiv url: http://arxiv.org/abs/2305.13258v1
• Date: Mon, 22 May 2023 17:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 13:59:12.841690
• Title: NeSy4VRD: A Multifaceted Resource for Neurosymbolic AI Research using Knowledge Graphs in Visual Relationship Detection
• Title（参考訳）: NeSy4VRD:視覚的関係検出のための知識グラフを用いたニューロシンボリックAI研究のための多面的資源
• Authors: David Herron, Ernesto Jim\'enez-Ruiz, Giacomo Tarroni and Tillman Weyde
• Abstract要約: NeSy4VRDは、VRDデータセットの画像へのパブリックアクセスを再確立する。 広範に改訂され、品質改善されたVRDビジュアルリレーションシップアノテーションと組み合わせている。
• 参考スコア（独自算出の注目度）: 4.450387519903375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NeSy4VRD is a multifaceted resource designed to support the development of neurosymbolic AI (NeSy) research. NeSy4VRD re-establishes public access to the images of the VRD dataset and couples them with an extensively revised, quality-improved version of the VRD visual relationship annotations. Crucially, NeSy4VRD provides a well-aligned, companion OWL ontology that describes the dataset domain.It comes with open source infrastructure that provides comprehensive support for extensibility of the annotations (which, in turn, facilitates extensibility of the ontology), and open source code for loading the annotations to/from a knowledge graph. We are contributing NeSy4VRD to the computer vision, NeSy and Semantic Web communities to help foster more NeSy research using OWL-based knowledge graphs.
• Abstract（参考訳）: NeSy4VRDは、ニューロシンボリックAI(NeSy)研究の発展を支援するために設計された多面的リソースである。 NeSy4VRDはVRDデータセットのイメージへのパブリックアクセスを再確立し、VRDビジュアルリレーションシップアノテーションの広範囲に改訂された品質改善版と組み合わせる。 重要な点として、NeSy4VRDは、データセットドメインを記述した、よく整合したOWLオントロジーを提供する。これには、アノテーションの拡張性(オントロジーの拡張性を促進する)を包括的にサポートするオープンソースインフラストラクチャと、アノテーションを知識グラフへ/からロードするためのオープンソースコードが含まれている。 我々はNeSy4VRDをコンピュータビジョン、NeSy、Semantic Webコミュニティにコントリビュートし、OWLベースの知識グラフを用いたNeSy研究の促進を支援しています。

関連論文リスト

• See then Tell: Enhancing Key Information Extraction with Vision Grounding [54.061203106565706]
  STNet(See then Tell Net)は,視覚基盤の正確な答えを提供するために設計された,新しいエンドツーエンドモデルである。 モデルの可視性を高めるため、広範囲に構造化されたテーブル認識データセットを収集する。
  論文  参考訳（メタデータ） (2024-09-29T06:21:05Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Learning To Rank Resources with GNN [7.337247167823921]
  本稿では,資源クエリと資源リソースの関係をモデル化可能なグラフニューラルネットワーク(GNN)に基づく学習からランクへのアプローチを提案する。 提案手法は,様々なパフォーマンス指標において,最先端の6.4%から42%を上回っている。
  論文  参考訳（メタデータ） (2023-04-17T02:01:45Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• GraphSearchNet: Enhancing GNNs via Capturing Global Dependency for Semantic Code Search [15.687959123626003]
  我々は、効率よく正確なソースコード検索を可能にする新しいニューラルネットワークフレームワーク、GraphSearchNetを設計する。 具体的には、BGGNNを用いてソースコードとクエリを2つのグラフにエンコードし、そのグラフの局所構造情報をキャプチャする。 JavaとPythonのデータセットでの実験は、GraphSearchNetが現在の最先端の作業よりもかなりのマージンで優れていることを示している。
  論文  参考訳（メタデータ） (2021-11-04T07:38:35Z)
• Edge-featured Graph Neural Architecture Search [131.4361207769865]
  最適GNNアーキテクチャを見つけるために,エッジ機能付きグラフニューラルアーキテクチャ探索を提案する。 具体的には、高次表現を学習するためにリッチなエンティティとエッジの更新操作を設計する。 EGNASは、現在最先端の人間設計および検索されたGNNよりも高い性能で、より優れたGNNを検索できることを示す。
  論文  参考訳（メタデータ） (2021-09-03T07:53:18Z)
• Learning Sparse Sentence Encoding without Supervision: An Exploration of Sparsity in Variational Autoencoders [36.60504726767521]
  空間性は、固定次元のベクトルにおけるデータの効率的な表現を学習するための効果的な帰納バイアスである。 本稿では,画像領域でよく研究されているVAEフレームワーク内の空間性について検討する。 3つのデータセットにまたがるテキスト分類における空間性の影響を考察する。
  論文  参考訳（メタデータ） (2020-09-25T20:08:32Z)
• Learning to map source code to software vulnerability using code-as-a-graph [67.62847721118142]
  セキュリティの観点からソースコードのニュアンス学習におけるグラフニューラルネットワークの適用性について検討する。 我々は,既存のコード・アズ・フォトや線形シーケンスの符号化手法よりも,脆弱性検出に有効なコード・アズ・グラフの符号化法を示す。
  論文  参考訳（メタデータ） (2020-06-15T16:05:27Z)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)

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。