論文の概要: SeFNet: Bridging Tabular Datasets with Semantic Feature Nets
- arxiv url: http://arxiv.org/abs/2306.11636v1
- Date: Tue, 20 Jun 2023 16:02:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 13:34:51.734025
- Title: SeFNet: Bridging Tabular Datasets with Semantic Feature Nets
- Title（参考訳）: SeFNet: セマンティックな特徴ネットでタブラルデータセットをブリッジする
- Authors: Katarzyna Wo\'znica, Piotr Wilczy\'nski, Przemys{\l}aw Biecek
- Abstract要約: 本稿では,Semantic Feature Net (SeFNet) と呼ばれる新しい手法を提案する。
本稿では, SNOMED-CTデータセットから得られた特徴量を用いて, 医療における予測タスクの収集に備えたSeFNetの例を示す。
- 参考スコア（独自算出の注目度）: 4.91155110560629
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning applications cover a wide range of predictive tasks in which
tabular datasets play a significant role. However, although they often address
similar problems, tabular datasets are typically treated as standalone tasks.
The possibilities of using previously solved problems are limited due to the
lack of structured contextual information about their features and the lack of
understanding of the relations between them. To overcome this limitation, we
propose a new approach called Semantic Feature Net (SeFNet), capturing the
semantic meaning of the analyzed tabular features. By leveraging existing
ontologies and domain knowledge, SeFNet opens up new opportunities for sharing
insights between diverse predictive tasks. One such opportunity is the Dataset
Ontology-based Semantic Similarity (DOSS) measure, which quantifies the
similarity between datasets using relations across their features. In this
paper, we present an example of SeFNet prepared for a collection of predictive
tasks in healthcare, with the features' relations derived from the SNOMED-CT
ontology. The proposed SeFNet framework and the accompanying DOSS measure
address the issue of limited contextual information in tabular datasets. By
incorporating domain knowledge and establishing semantic relations between
features, we enhance the potential for meta-learning and enable valuable
insights to be shared across different predictive tasks.
- Abstract（参考訳）: 機械学習アプリケーションは、表形式のデータセットが重要な役割を果たす幅広い予測タスクをカバーする。
しかし、それらはしばしば同様の問題に対処するが、表型データセットは通常スタンドアロンのタスクとして扱われる。
以前に解決された問題を使う可能性は、その特徴に関する構造化された文脈情報やそれらの関係の理解の欠如によって限られている。
この制限を克服するために,Semantic Feature Net (SeFNet) と呼ばれる新しい手法を提案する。
既存のオントロジーとドメイン知識を活用することで、sefnetは様々な予測タスク間で洞察を共有する新しい機会を開く。
このような機会の1つは、データセットのオントロジに基づく意味的類似度(doss)測定であり、それらの特徴間の関係を使ってデータセット間の類似度を定量化する。
本稿では, SNOMED-CTオントロジーから得られた特徴量と, 医療における予測タスクの収集のために準備されたSeFNetの例を示す。
提案したSeFNetフレームワークと付随するDOSS尺度は、表データセットの限られたコンテキスト情報の問題に対処する。
ドメイン知識を取り入れ、機能間のセマンティックな関係を確立することで、メタ学習の可能性を高め、さまざまな予測タスク間で価値ある洞察を共有できるようにします。
関連論文リスト
- Relationships are Complicated! An Analysis of Relationships Between Datasets on the Web [1.02801486034657]
我々は、Web上でデータセットを発見し、使用し、共有するユーザの視点から、データセットの関係について研究する。
まず、Web上のデータセット間の関係を包括的に分類し、これらの関係をデータセット発見中に実行されるユーザタスクにマッピングする。
データセットメタデータを用いた機械学習に基づく手法が,多クラス分類精度の90%を達成できることを実証した。
論文 参考訳（メタデータ） (2024-08-26T21:00:25Z) - Wiki-TabNER:Advancing Table Interpretation Through Named Entity
Recognition [19.423556742293762]
TIタスクの評価に広く用いられているベンチマークデータセットを分析した。
この欠点を克服するため、我々はより困難なデータセットを構築し、注釈付けします。
本稿では,新たに開発された大規模言語モデルを評価するためのプロンプトフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T15:22:07Z) - Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。
我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。
いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
論文 参考訳（メタデータ） (2024-02-26T03:49:18Z) - Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。
また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文 参考訳（メタデータ） (2023-05-31T10:36:10Z) - SUN: Exploring Intrinsic Uncertainties in Text-to-SQL Parsers [61.48159785138462]
本稿では,ニューラルネットワークに基づくアプローチ(SUN)における本質的な不確かさを探索することにより,テキストから依存への変換性能を向上させることを目的とする。
5つのベンチマークデータセットの大規模な実験により、我々の手法は競合より大幅に優れ、新しい最先端の結果が得られた。
論文 参考訳（メタデータ） (2022-09-14T06:27:51Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - Is the U-Net Directional-Relationship Aware? [9.965579957584316]
CNNはしばしば、その受容領域内で異なるオブジェクト(方向関係など)に関するコンテキスト情報を使用することができると仮定される。
セグメンテーションのためのクロスエントロピー損失関数を最適化するために訓練された標準U-Netを用いて、特定の種類の関係を探索する。
論文 参考訳（メタデータ） (2022-07-06T10:40:07Z) - Decomposing neural networks as mappings of correlation functions [57.52754806616669]
本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。
ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
論文 参考訳（メタデータ） (2022-02-10T09:30:31Z) - UniNet: A Unified Scene Understanding Network and Exploring Multi-Task
Relationships through the Lens of Adversarial Attacks [1.1470070927586016]
単一のタスクビジョンネットワークは、シーンのいくつかの側面に基づいてのみ情報を抽出する。
マルチタスク学習(MTL)では、単一のタスクが共同で学習され、タスクが情報を共有する機会を提供する。
我々は,重要な視覚タスクを正確かつ効率的に推測する統合されたシーン理解ネットワークUniNetを開発した。
論文 参考訳（メタデータ） (2021-08-10T11:00:56Z) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for
Biomedical and Biological Images [91.41909587856104]
本稿では,本研究における意味的特徴とインスタンス的特徴を統一するPanoptic Feature Fusion Net(PFFNet)を提案する。
提案するPFFNetには,インスタンス予測を意味的特徴に組み込むための残注意特徴融合機構が組み込まれている。
様々なバイオメディカルおよび生物学的データセットにおいて、最先端のいくつかの手法を上回ります。
論文 参考訳（メタデータ） (2020-02-15T09:19:41Z)
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。