Fugu-MT 論文翻訳(概要): Unsupervised Dialogue Topic Segmentation in Hyperdimensional Space

論文の概要: Unsupervised Dialogue Topic Segmentation in Hyperdimensional Space

arxiv url: http://arxiv.org/abs/2308.10464v1
Date: Mon, 21 Aug 2023 04:42:24 GMT
ステータス: 処理完了
システム内更新日: 2023-08-22 15:11:08.845161
Title: Unsupervised Dialogue Topic Segmentation in Hyperdimensional Space
Title（参考訳）: 超次元空間における教師なし対話トピックセグメンテーション
Authors: Seongmin Park, Jinkyu Seo, Jihwa Lee
Abstract要約: 教師なし対話トピックセグメンテーションに対する超次元計算(HDC)アプローチであるHyperSegを提案する。 HyperSegは5つのセグメンテーションベンチマークのうち4つで最先端のベンチマークを上回っている。 HyperSegは下流の要約精度も向上することを示す。
参考スコア（独自算出の注目度）: 6.0443990921476525
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present HyperSeg, a hyperdimensional computing (HDC) approach to unsupervised dialogue topic segmentation. HDC is a class of vector symbolic architectures that leverages the probabilistic orthogonality of randomly drawn vectors at extremely high dimensions (typically over 10,000). HDC generates rich token representations through its low-cost initialization of many unrelated vectors. This is especially beneficial in topic segmentation, which often operates as a resource-constrained pre-processing step for downstream transcript understanding tasks. HyperSeg outperforms the current state-of-the-art in 4 out of 5 segmentation benchmarks -- even when baselines are given partial access to the ground truth -- and is 10 times faster on average. We show that HyperSeg also improves downstream summarization accuracy. With HyperSeg, we demonstrate the viability of HDC in a major language task. We open-source HyperSeg to provide a strong baseline for unsupervised topic segmentation.
Abstract（参考訳）: 教師なし対話トピックセグメンテーションに対する超次元計算(HDC)アプローチであるHyperSegを提案する。 HDCは、非常に高次元(典型的には10,000以上)でランダムに描画されたベクトルの確率論的直交性を利用するベクトル記号アーキテクチャのクラスである。 HDCは、多くの無関係ベクトルを低コストで初期化することで、豊富なトークン表現を生成する。これは特にトピックセグメンテーションにおいて有益であり、しばしば下流の転写理解タスクのためのリソース制約付き事前処理ステップとして機能する。 hypersegは、5つのセグメンテーションベンチマークのうち4つ(ベースラインが基礎的真実への部分的アクセスを与えられたとしても)で現在の最先端を上回り、平均で10倍高速である。 HyperSegは下流の要約精度も向上することを示す。 HyperSegでは、主要な言語タスクにおけるHDCの生存可能性を示す。教師なしトピックセグメンテーションのための強力なベースラインを提供するために、HyperSegをオープンソースにしました。

関連論文リスト

uHD: Unary Processing for Lightweight and Dynamic Hyperdimensional Computing [1.7118124088316602]
超次元計算(Hyperdimensional Computing、HDC)は、超ベクトルと呼ばれる長次元ベクトルを扱う新しい計算パラダイムである。本稿では,低差分シーケンスを用いてHDCの強度と位置のハイパーベクターを生成する方法を示す。論文の中ではじめて,本提案手法では,データの効率的な符号化に一元ビットストリームを用いた軽量なベクトル生成器を用いる。
論文参考訳（メタデータ） (2023-11-16T06:28:19Z)
HyperAttention: Long-context Attention in Near-Linear Time [78.33061530066185]
本稿では,長期的文脈の複雑さの増大に伴う計算課題に対処するため,HyperAttentionという近似的な注意機構を提案する。実証的には、大規模なエントリを特定するためにLocality Sensitive Hashing(LSH)を使用して、HyperAttentionは既存のメソッドよりも優れています。各種長文長データセットにおけるHyperAttentionの実証的性能を検証した。
論文参考訳（メタデータ） (2023-10-09T17:05:25Z)
Learning from Hypervectors: A Survey on Hypervector Encoding [9.46717806608802]
超次元コンピューティング(Hyperdimensional Computing、HDC)は、脳の構造を模倣し、強力で効率的な処理と学習モデルを提供する新しいコンピューティングパラダイムである。 HDCでは、データは1Kから10Kの長さの超ベクトルと呼ばれる長いベクトルで符号化される。
論文参考訳（メタデータ） (2023-08-01T17:42:35Z)
HDCC: A Hyperdimensional Computing compiler for classification on embedded systems and high-performance computing [58.720142291102135]
この研究は、HDC分類メソッドの高レベルな記述を最適化されたCコードに変換する最初のオープンソースコンパイラである、ネームコンパイラを紹介している。 nameは現代のコンパイラのように設計されており、直感的で記述的な入力言語、中間表現(IR)、再ターゲット可能なバックエンドを備えている。これらの主張を裏付けるために,HDC文献で最もよく使われているデータセットについて,HDCCを用いて実験を行った。
論文参考訳（メタデータ） (2023-04-24T19:16:03Z)
On-Device Unsupervised Image Segmentation [5.9990534851802915]
私たちはHDCベースの教師なしセグメンテーションフレームワーク「SegHDC」を構築します。標準セグメンテーションデータセットでは、SegHDCはIoU(Intersection over Union)スコアを28.0%改善することができる。 SegHDCは3分以内にセグメンテーション結果を得ることができ、0.9587 IoUスコアを達成できる。
論文参考訳（メタデータ） (2023-02-24T00:51:17Z)
Hypergraph Convolutional Networks for Weakly-Supervised Semantic Segmentation [1.7849339006560665]
Weakly-supervised Semantic Networks (HyperGCN-WSS) のための HyperGraph Convolutional Networks を用いた新しいアルゴリズムを提案する。提案アルゴリズムは,データセット内の画像からk-Nearest Neighborグラフとk-Nearest Neighborグラフを構築し,ハイパーグラフを生成する。 HyperGCNの出力はデノミネーションされた擬似ラベルで、後にセマンティックセグメンテーションのためのDeepLabモデルをトレーニングするために使用される。
論文参考訳（メタデータ） (2022-10-11T15:59:10Z)
HDTorch: Accelerating Hyperdimensional Computing with GP-GPUs for Design Space Exploration [4.783565770657063]
我々は、ハイパーベクタ操作の拡張を備えたPyTorchベースのオープンソースのHDCライブラリであるHDTorchを紹介する。我々は4つのHDCベンチマークデータセットを精度、実行時間、メモリ消費の観点から分析する。我々はCHB-MIT脳波てんかんデータベース全体のHDトレーニングと推測分析を行った。
論文参考訳（メタデータ） (2022-06-09T19:46:08Z)
An Extension to Basis-Hypervectors for Learning from Circular Data in Hyperdimensional Computing [62.997667081978825]
超次元計算(Hyperdimensional Computing、HDC)は、高次元ランダム空間の性質に基づく計算フレームワークである。本稿では, 基本超ベクトル集合について検討し, 一般にHDCへの実践的貢献につながっている。本稿では,HDCを用いた機械学習において,これまでに扱ったことのない重要な情報である円形データから学習する手法を提案する。
論文参考訳（メタデータ） (2022-05-16T18:04:55Z)
Understanding Hyperdimensional Computing for Parallel Single-Pass Learning [47.82940409267635]
我々はHDCがハードウェア効率を保ちながら、最先端のHDCモデルよりも最大7.6%性能が高いことを示す。本稿では,HDC の限界を超える新しいクラス VSA,有限群 VSA を提案する。実験の結果, RFF法とグループVSAはともに最先端HDCモデルより最大7.6%優れていた。
論文参考訳（メタデータ） (2022-02-10T02:38:56Z)
Dense Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
本稿では,高密度ガウス過程(GP)回帰に基づく数発のセグメンテーション法を提案する。 GPの高次元出力空間を学習するために,提案手法のエンドツーエンド学習機能を利用する。提案手法では,PASCAL-5$i$とCOCO-20$i$のベンチマークで,1ショットと5ショットのFSSをそれぞれ新たな最先端に設定する。
論文参考訳（メタデータ） (2021-10-07T17:57:54Z)
Temporally-Weighted Hierarchical Clustering for Unsupervised Action Segmentation [96.67525775629444]
アクションセグメンテーションとは、ビデオにおける意味的に一貫した視覚概念の境界を推測することを指す。ビデオ中のセグメンテーション動作に対して,トレーニングを必要としない完全自動かつ教師なしのアプローチを提案する。提案手法は,ビデオの意味的に一貫性のあるフレームをグループ化できる効果的な時間重み付き階層クラスタリングアルゴリズムである。
論文参考訳（メタデータ） (2021-03-20T23:30:01Z)

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。