Fugu-MT 論文翻訳(概要): Transferring Neural Potentials For High Order Dependency Parsing

論文の概要: Transferring Neural Potentials For High Order Dependency Parsing

arxiv url: http://arxiv.org/abs/2306.10469v1
Date: Sun, 18 Jun 2023 03:58:41 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 20:34:47.643409
Title: Transferring Neural Potentials For High Order Dependency Parsing
Title（参考訳）: 高次依存パーシングのためのニューラルポテンシャルの伝達
Authors: Farshad Noravesh
Abstract要約: 本稿では,ビスフィンスコアを用いてアークスコアを推定し,それからグラフィカルモデルに伝播する。グラフィカルモデル内の推論は二重分解を用いて解決される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: High order dependency parsing leverages high order features such as siblings or grandchildren to improve state of the art accuracy of current first order dependency parsers. The present paper uses biaffine scores to provide an estimate of the arc scores and is then propagated into a graphical model. The inference inside the graphical model is solved using dual decomposition. The present algorithm propagates biaffine neural scores to the graphical model and by leveraging dual decomposition inference, the overall circuit is trained end-to-end to transfer first order informations to the high order informations.
Abstract（参考訳）: 高階依存性解析は兄弟や孫といった高階機能を活用して、現在の一階依存性解析の精度を向上させる。本稿では,ビアフィンスコアを用いて弧スコアの推定を行い,それをグラフィカルモデルに伝播する。グラフィカルモデル内の推論は二重分解を用いて解決される。本アルゴリズムは,バイアフィンのニューラルスコアをグラフィカルモデルに伝達し,2重分解推論を活用し,回路全体をエンドツーエンドに訓練し,第1次情報を高次情報に転送する。

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)
What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
論文参考訳（メタデータ） (2024-06-04T05:30:16Z)
Scalable Property Valuation Models via Graph-based Deep Learning [5.172964916120902]
類似した特徴を持つ近隣住宅の配列を効果的に同定する2つの新しいグラフニューラルネットワークモデルを開発した。本研究では, グラフニューラルネットワークを用いて住宅価格予測を行うことにより, 住宅価格予測の精度を著しく向上することを示す。
論文参考訳（メタデータ） (2024-05-10T15:54:55Z)
A Simplified Framework for Contrastive Learning for Node Representations [2.277447144331876]
グラフにノードを埋め込むために,グラフニューラルネットワークと組み合わせてコントラスト学習を展開できる可能性を検討する。組込み行列の単純なカラムワイド後処理により, 組込み結果の品質とトレーニング時間を大幅に改善できることを示す。この修正により、下流の分類タスクは最大1.5%改善され、8つの異なるベンチマークのうち6つで既存の最先端のアプローチに勝っている。
論文参考訳（メタデータ） (2023-05-01T02:04:36Z)
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)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
誘導超解像のための新しい定式化を導入する。そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2022-03-27T13:12:18Z)
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文参考訳（メタデータ） (2022-01-25T00:10:03Z)
DGEM: A New Dual-modal Graph Embedding Method in Recommendation System [18.33515434926957]
現在のディープラーニングベースレコメンデーションシステムでは, 高次元スパース特徴ベクトルから低次元密度特徴ベクトルへの変換を完了させるために, 埋め込み方式が一般的である。本稿では,これらの問題を解決するためにDual-modal Graph Embedding Method (DGEM)を提案する。
論文参考訳（メタデータ） (2021-08-09T13:31:56Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Neuralizing Efficient Higher-order Belief Propagation [19.436520792345064]
より優れたノードとグラフ表現を学習するためのアプローチを組み合わせることを提案する。我々は高次PGMに対する効率的な近似積ループ的信念伝搬推定アルゴリズムを導出する。我々のモデルは実際に高次情報をキャプチャし、分子データセットにおける最先端の$k$のグラフニューラルネットワークよりも大幅に優れています。
論文参考訳（メタデータ） (2020-10-19T07:51:31Z)

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。