論文の概要: AMELI: Enhancing Multimodal Entity Linking with Fine-Grained Attributes

• arxiv url: http://arxiv.org/abs/2305.14725v1
• Date: Wed, 24 May 2023 05:01:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 19:40:56.140631
• Title: AMELI: Enhancing Multimodal Entity Linking with Fine-Grained Attributes
• Title（参考訳）: AMELI: 細粒度属性によるマルチモーダルエンティティリンクの強化
• Authors: Barry Menglong Yao, Yu Chen, Qifan Wang, Sijia Wang, Minqian Liu, Zhiyang Xu, Licheng Yu, Lifu Huang
• Abstract要約: 本稿では属性認識型マルチモーダル・エンティティリンクを提案する。 目標は、マルチモーダルな知識ベースから対応する対象エンティティを予測することである。 本研究を支援するために,18,472のレビューと35,598の製品からなる大規模データセットAMELIを構築した。
• 参考スコア（独自算出の注目度）: 22.158388220889865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose attribute-aware multimodal entity linking, where the input is a mention described with a text and image, and the goal is to predict the corresponding target entity from a multimodal knowledge base (KB) where each entity is also described with a text description, a visual image and a set of attributes and values. To support this research, we construct AMELI, a large-scale dataset consisting of 18,472 reviews and 35,598 products. To establish baseline performance on AMELI, we experiment with the current state-of-the-art multimodal entity linking approaches and our enhanced attribute-aware model and demonstrate the importance of incorporating the attribute information into the entity linking process. To be best of our knowledge, we are the first to build benchmark dataset and solutions for the attribute-aware multimodal entity linking task. Datasets and codes will be made publicly available.
• Abstract（参考訳）: 本稿では,属性認識型マルチモーダルエンティティリンクを提案する。入力はテキストと画像で記述された言及である。目標は,各エンティティをテキスト記述,視覚イメージ,属性と値のセットで記述したマルチモーダル知識ベース(KB)から,対応する対象エンティティを予測することである。 本研究を支援するために,18,472のレビューと35,598の製品からなる大規模データセットAMELIを構築した。 ameliのベースライン性能を確立するために、我々は最先端のマルチモーダルエンティティリンクアプローチと拡張属性認識モデルについて実験を行い、エンティティリンクプロセスに属性情報を組み込むことの重要性を実証する。 当社の知識を最大限に活用するため、属性対応のマルチモーダルエンティティリンクタスクのためのベンチマークデータセットとソリューションを最初に構築しました。 データセットとコードは公開される予定だ。

関連論文リスト

• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• ARMADA: Attribute-Based Multimodal Data Augmentation [93.05614922383822]
  Attribute-based Multimodal Data Augmentation (ARMADA) は、知識誘導による視覚属性の操作による新しいマルチモーダルデータ拡張手法である。 ARMADAは、新しいマルチモーダルデータ生成フレームワークである。 (i) 意味的に一貫性があるがユニークな画像-テキストペア生成のために、シンボリックKBから知識基底属性を抽出する。 これはまた、解釈可能性の向上と現実世界の接地のために外部の知識プロキシを活用する必要性を強調している。
  論文  参考訳（メタデータ） (2024-08-19T15:27:25Z)
• Leveraging Entity Information for Cross-Modality Correlation Learning: The Entity-Guided Multimodal Summarization [49.08348604716746]
  Multimodal Summarization with Multimodal Output (MSMO) は、テキストと関連する画像の両方を統合するマルチモーダル要約を作成することを目的としている。 本稿では,Entity-Guided Multimodal Summarization Model (EGMS)を提案する。 我々のモデルは,BART上に構築され,共有重み付きデュアルマルチモーダルエンコーダを用いて,テキスト画像とエンティティ画像情報を並列に処理する。
  論文  参考訳（メタデータ） (2024-08-06T12:45:56Z)
• MAC: A Benchmark for Multiple Attributes Compositional Zero-Shot Learning [33.12021227971062]
  合成ゼロショット学習(CZSL)は、意味的プリミティブ(属性とオブジェクト)を無視して学習し、見知らぬ属性オブジェクトの合成を認識することを目的としている。 我々は18,217のイメージと11,067のコンポジションを含む多属性合成データセットを紹介した。 我々のデータセットは、より深い意味理解と高次属性関連をサポートし、CZSLタスクのより現実的で挑戦的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:24:48Z)
• EIVEN: Efficient Implicit Attribute Value Extraction using Multimodal LLM [52.016009472409166]
  EIVENは暗黙的な属性値抽出のためのデータおよびパラメータ効率の良い生成フレームワークである。 本稿では,モデル混同を減らすための新しい学習・比較手法を提案する。 実験の結果,EIVENは暗黙的属性値の抽出において既存の手法よりも有意に優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-13T03:15:56Z)
• Attribute-Consistent Knowledge Graph Representation Learning for Multi-Modal Entity Alignment [14.658282035561792]
  MMEA(ACK-MMEA)のための属性一貫性のある知識グラフ表現学習フレームワークを提案する。 当社のアプローチは、競合他社と比較して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-04T06:39:36Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding [55.89773725577615]
  本稿ではアダプティブデコーディングを用いて属性抽出を行うAdaTagを提案する。 実世界のeコマースデータセットに関する我々の実験は、以前の方法よりも顕著に改善されたことを示している。
  論文  参考訳（メタデータ） (2021-06-04T07:54:11Z)
• Multimodal Entity Linking for Tweets [6.439761523935613]
  マルチモーダル・エンティティ・リンク(MEL)は、知識ベース(KB)のエンティティへの曖昧な言及をマッピングするためにテキストと視覚情報を使用する新興の研究分野である。 我々は,MEL のための完全注釈付き Twitter データセットを構築する方法を提案し,エンティティは Twitter KB で定義されている。 次に,テキストと視覚の文脈から言及と実体の両方の表現を共同学習するモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-07T16:40:23Z)
• Multimodal Joint Attribute Prediction and Value Extraction for E-commerce Product [40.46223408546036]
  商品属性値は、カスタマサービスロボット、製品レコメンデーション、製品検索など、多くのEコマースシナリオにおいて不可欠である。 現実の世界では、製品の属性値は通常不完全であり、時間とともに変化するため、実用的な応用を著しく妨げている。 本稿では,製品属性を共同で予測し,製品イメージの助けを借りてテキスト製品記述から価値を抽出するマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2020-09-15T15:10:51Z)

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。