Fugu-MT 論文翻訳(概要): RaTE: a Reproducible automatic Taxonomy Evaluation by Filling the Gap

論文の概要: RaTE: a Reproducible automatic Taxonomy Evaluation by Filling the Gap

arxiv url: http://arxiv.org/abs/2307.09706v1
Date: Wed, 19 Jul 2023 01:37:31 GMT
ステータス: 処理完了
システム内更新日: 2023-07-20 15:35:37.114673
Title: RaTE: a Reproducible automatic Taxonomy Evaluation by Filling the Gap
Title（参考訳）: RaTE:ギャップを埋めることによる再現可能な自動分類評価
Authors: Tianjian Gao and Phillipe Langlais
Abstract要約: 我々は、自動分類学評価(ATE)は分類学の構築と同じくらい重要であると論じている。本稿では,大規模な事前学習型言語モデルに依存する,ラベルなしの自動分類法であるRaTEを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Taxonomies are an essential knowledge representation, yet most studies on automatic taxonomy construction (ATC) resort to manual evaluation to score proposed algorithms. We argue that automatic taxonomy evaluation (ATE) is just as important as taxonomy construction. We propose RaTE, an automatic label-free taxonomy scoring procedure, which relies on a large pre-trained language model. We apply our evaluation procedure to three state-of-the-art ATC algorithms with which we built seven taxonomies from the Yelp domain, and show that 1) RaTE correlates well with human judgments and 2) artificially degrading a taxonomy leads to decreasing RaTE score.
Abstract（参考訳）: 分類学は重要な知識表現であるが、自動分類学構築(ATC)に関するほとんどの研究は、提案されたアルゴリズムを手動で評価することで評価する。我々は,自動分類評価(ate)は分類構築と同じくらい重要であると主張する。本稿では,大規模な事前学習型言語モデルに依存するラベルなしの自動分類法であるRaTEを提案する。評価手順を3つの最先端ATCアルゴリズムに適用し,Yelpドメインから7つの分類体系を構築した。 1)RaTEは人間の判断とよく相関する。 2)分類を人為的に劣化させるとRaTEスコアが低下する。

関連論文リスト

Creating a Fine Grained Entity Type Taxonomy Using LLMs [0.0]
本研究は, GPT-4とその先進的な反復である GPT-4 Turbo が, 詳細な実体型分類学を自律的に開発する可能性について検討する。我々の目的は、広く分類されたエンティティタイプから始まる包括的な分類体系を構築することである。この分類は、GPT-4の内部知識ベースを利用して反復的なプロンプト技術によって徐々に洗練される。
論文参考訳（メタデータ） (2024-02-19T21:32:19Z)
Chain-of-Layer: Iteratively Prompting Large Language Models for Taxonomy Induction from Limited Examples [34.88498567698853]
Chain-of-Layerは、特定のエンティティセットから誘導されるように設計された、コンテキスト学習フレームワークである。実世界の4つのベンチマークにおいて,Chain-of-Layerが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2024-02-12T03:05:54Z)
Using Zero-shot Prompting in the Automatic Creation and Expansion of Topic Taxonomies for Tagging Retail Banking Transactions [0.0]
本研究は、命令ベース微調整LDMを用いたトピックの構築と拡張のための教師なし手法を提案する(大規模言語モデル)。既存の分類を新しい用語で拡張するために、ゼロショットプロンプトを使用して、新しいノードを追加する場所を見つける。得られたタグを使って、小売銀行のデータセットから商人を特徴づけるタグを割り当てます。
論文参考訳（メタデータ） (2024-01-08T00:27:16Z)
ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
論文参考訳（メタデータ） (2023-06-04T02:55:25Z)
Insert or Attach: Taxonomy Completion via Box Embedding [75.69894194912595]
以前のアプローチでは、ユークリッド空間のベクトルとして概念を組み込んでおり、分類学における非対称関係をモデル化することは困難である。ボックス内埋め込み空間内に2つの特殊な幾何学的スコアラを設計するために,ボックス封じ込めと中心クローズネスを活用するフレームワークであるTaxBoxを開発した。これらのスコアラーは挿入操作とアタッチメント操作用に調整されており、概念間の本質的な関係を効果的に捉えることができる。
論文参考訳（メタデータ） (2023-05-18T14:34:58Z)
CoPHE: A Count-Preserving Hierarchical Evaluation Metric in Large-Scale Multi-Label Text Classification [70.554573538777]
ニューラルLMTCモデルの予測の階層的評価について論じる。先行技術における構造化ラベル空間の表現における構造的問題について述べる。深度に基づく表現を用いた階層的評価のための指標セットを提案する。
論文参考訳（メタデータ） (2021-09-10T13:09:12Z)
Large-scale Taxonomy Induction Using Entity and Word Embeddings [13.30719395448771]
本論文では,実体とテキスト埋め込みを用いた知識からの自動推定抽出手法 TIEmb を提案する。本稿では,Wide Web の大部分から抽出されたクラス置換関係のデータベースである WebIsA データベースにアプローチを適用し,Person and Place ドメインの階層を抽出する。
論文参考訳（メタデータ） (2021-05-04T05:53:12Z)
Can Taxonomy Help? Improving Semantic Question Matching using Question Taxonomy [37.57300969050908]
セマンティックな質問マッチングのためのハイブリッド手法を提案する。深層学習に基づく質問から得られた質問クラスで最先端のディープラーニングモデルを強化することにより、提案された2層分類を英語の質問に使用します。
論文参考訳（メタデータ） (2021-01-20T16:23:04Z)
Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
論文参考訳（メタデータ） (2020-06-18T04:53:07Z)
STEAM: Self-Supervised Taxonomy Expansion with Mini-Paths [53.45704816829921]
本稿では,STEAMという自己管理型分類拡張モデルを提案する。 STEAMは自然の自己超越信号を生成し、ノードアタッチメント予測タスクを定式化する。実験の結果、STEAMは11.6%の精度と7.0%の相反ランクで、最先端の分類法よりも優れていた。
論文参考訳（メタデータ） (2020-06-18T00:32:53Z)
TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network [62.12557274257303]
分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
論文参考訳（メタデータ） (2020-01-26T21:30:21Z)

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。