論文の概要: A Semi-Autoregressive Graph Generative Model for Dependency Graph Parsing

• arxiv url: http://arxiv.org/abs/2306.12018v1
• Date: Wed, 21 Jun 2023 05:07:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 14:59:39.369847
• Title: A Semi-Autoregressive Graph Generative Model for Dependency Graph Parsing
• Title（参考訳）: 依存グラフ解析のための半自己回帰グラフ生成モデル
• Authors: Ye Ma, Mingming Sun, Ping Li
• Abstract要約: 依存グラフがノードとエッジ間の明示的な依存関係をキャプチャできないことを示す。 半自己回帰依存グラフを設計し、すべての要素を並列に注入しながら、グループグループとエッジグループを追加して依存性を生成する。
• 参考スコア（独自算出の注目度）: 24.829141650007273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed the impressive progress in Neural Dependency Parsing. According to the different factorization approaches to the graph joint probabilities, existing parsers can be roughly divided into autoregressive and non-autoregressive patterns. The former means that the graph should be factorized into multiple sequentially dependent components, then it can be built up component by component. And the latter assumes these components to be independent so that they can be outputted in a one-shot manner. However, when treating the directed edge as an explicit dependency relationship, we discover that there is a mixture of independent and interdependent components in the dependency graph, signifying that both aforementioned models fail to precisely capture the explicit dependencies among nodes and edges. Based on this property, we design a Semi-Autoregressive Dependency Parser to generate dependency graphs via adding node groups and edge groups autoregressively while pouring out all group elements in parallel. The model gains a trade-off between non-autoregression and autoregression, which respectively suffer from the lack of target inter-dependencies and the uncertainty of graph generation orders. The experiments show the proposed parser outperforms strong baselines on Enhanced Universal Dependencies of multiple languages, especially achieving $4\%$ average promotion at graph-level accuracy. Also, the performances of model variations show the importance of specific parts.
• Abstract（参考訳）: 近年、Neural Dependency Parsingの目覚ましい進歩が見られた。 グラフジョイント確率の異なる因子化アプローチにより、既存のパーサーは、自己回帰パターンと非自己回帰パターンに大別できる。 前者は、グラフを複数のシーケンシャル依存コンポーネントに分解し、コンポーネントによってコンポーネントを構築できることを意味します。 そして後者は、これらのコンポーネントが一発で出力できるように、独立していると仮定します。 しかし、有向エッジを明示的な依存関係関係として扱うと、依存グラフには独立したコンポーネントと相互依存するコンポーネントが混在していることが分かり、上記のモデルの両方がノードとエッジ間の明示的な依存関係を正確にキャプチャできないことを示す。 この特性に基づいて、ノードグループとエッジグループを追加して依存グラフを生成するための半自己回帰依存性パーサを設計し、すべてのグループ要素を並列に注入する。 このモデルは、対象とする相互依存の欠如とグラフ生成順序の不確実性に苦しむ非自己回帰と自己回帰の間のトレードオフを得る。 提案するパーサは,複数の言語の普遍的依存関係の強化,特にグラフレベルの精度で平均$4\%のプロモーションを達成するための強力なベースラインを上回っている。 また、モデルバリエーションのパフォーマンスは、特定の部分の重要性を示している。

関連論文リスト

• Dependency Graph Parsing as Sequence Labeling [18.079016557290338]
  我々は、グラフ解析をタグ付けタスクとしてキャストするのに使用できる、非有界および有界な線形化の範囲を定義する。 セマンティック依存関係とUD解析の強化に関する実験結果から, シーケンスラベル依存グラフは, 符号化の優れた選択により, 高い効率性と, 最先端の精度を両立させることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T15:37:02Z)
• Online-to-PAC generalization bounds under graph-mixing dependencies [9.763215134790478]
  本稿では,グラフ距離で依存性が崩壊する枠組みを提案する。 オンラインPACフレームワークを活用した一般化バウンダリを導出する。 結果として生じる高確率一般化は、混合率とグラフの色数の両方に依存する。
  論文  参考訳（メタデータ） (2024-10-11T16:49:01Z)
• 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)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Prototypical Graph Contrastive Learning [141.30842113683775]
  本稿では,有意なサンプリングバイアスを緩和するために,プロトタイプグラフコントラスト学習(PGCL)手法を提案する。 具体的には、PGCLは、グラフデータの基盤となる意味構造を、意味論的に類似したグラフを同じグループにクラスタリングすることでモデル化し、同時に、同じグラフの異なる拡張に対するクラスタリング一貫性を奨励する。 クエリのために、PGCLはさらに、プロトタイプ(クラスタセントロイド)とクエリプロトタイプの間の距離に基づいて、負のサンプルを再重み付けする。
  論文  参考訳（メタデータ） (2021-06-17T16:45:31Z)
• Graph Ensemble Learning over Multiple Dependency Trees for Aspect-level Sentiment Classification [37.936820137442254]
  本研究では, グラフアンサンブル手法であるGraphMergeを提案する。 各依存ツリーに1組のモデルパラメータを割り当てる代わりに、まず異なるパースから依存関係を結合し、結果のグラフにGNNを適用します。 SemEval 2014 Task 4とACL 14のTwitterデータセットの実験では、GraphMergeモデルは単一の依存ツリーでモデルを上回るだけでなく、モデルパラメータを追加せずに他のアンサンブルモジュールを上回ります。
  論文  参考訳（メタデータ） (2021-03-12T22:27:23Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Residual Correlation in Graph Neural Network Regression [39.54530450932135]
  我々は条件付き独立仮定が予測力を著しく制限していることを示します。 この問題を解釈可能かつ効率的なフレームワークで解決する。 我々のフレームワークは、競合するベースラインよりもかなり高い精度を実現している。
  論文  参考訳（メタデータ） (2020-02-19T16:32:54Z)

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。