論文の概要: Forest Mixing: investigating the impact of multiple search trees and a shared refinements pool on ontology learning

• arxiv url: http://arxiv.org/abs/2309.17252v1
• Date: Fri, 29 Sep 2023 14:02:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 13:32:07.560273
• Title: Forest Mixing: investigating the impact of multiple search trees and a shared refinements pool on ontology learning
• Title（参考訳）: 森林混合:複数の探索木と共有精製プールがオントロジー学習に及ぼす影響について
• Authors: Marco Pop-Mihali and Adrian Groza
• Abstract要約: DL-Learnerツールに含まれるCELOE(Expression Learning for Ontology Engineering)アルゴリズムを拡張した。 目的は,多様なスタートクラスを育成し,大規模検索空間におけるクラス表現の発見プロセスの合理化である。
• 参考スコア（独自算出の注目度）: 1.3597551064547502
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We aim at development white-box machine learning algorithms. We focus here on algorithms for learning axioms in description logic. We extend the Class Expression Learning for Ontology Engineering (CELOE) algorithm contained in the DL-Learner tool. The approach uses multiple search trees and a shared pool of refinements in order to split the search space in smaller subspaces. We introduce the conjunction operation of best class expressions from each tree, keeping the results which give the most information. The aim is to foster exploration from a diverse set of starting classes and to streamline the process of finding class expressions in ontologies. %, particularly in large search spaces. The current implementation and settings indicated that the Forest Mixing approach did not outperform the traditional CELOE. Despite these results, the conceptual proposal brought forward by this approach may stimulate future improvements in class expression finding in ontologies. % and influence. % the way we traverse search spaces in general.
• Abstract（参考訳）: 我々はホワイトボックス機械学習アルゴリズムの開発を目指している。 ここでは記述論理の公理を学ぶアルゴリズムに焦点を当てる。 DL-Learnerツールに含まれるCELOE(Class Expression Learning for Ontology Engineering)アルゴリズムを拡張した。 このアプローチでは、検索空間を小さな部分空間に分割するために、複数の検索ツリーと改良の共有プールを使用する。 各木から最高のクラス表現の結合操作を導入し、最も多くの情報を提供する結果を保持する。 その目的は、さまざまなスタートクラスからの探索を促進し、オントロジーでクラス式を見つけるプロセスを合理化することである。 %であり,特に大きな検索空間では顕著であった。 現在の実装と設定は、森林混合アプローチが従来のセロを上回らなかったことを示している。 これらの結果にもかかわらず、このアプローチがもたらす概念的提案は、オントロジーにおけるクラス表現発見の今後の改善を刺激する可能性がある。 %および影響した。 一般の検索スペースを横切る方法の1.%です。

関連論文リスト

• Technical Report: Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• Visual Prompt Selection for In-Context Learning Segmentation [77.15684360470152]
  本稿では,サンプル選択戦略の再考と改善に焦点をあてる。 まず、ICLに基づくセグメンテーションモデルが異なる文脈に敏感であることを示す。 さらに、経験的証拠は、文脈的プロンプトの多様性がセグメンテーションを導く上で重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2024-07-14T15:02:54Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
  この調査は、推論中に計算をスケールするメリットに焦点を当てている。 我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
  論文  参考訳（メタデータ） (2024-06-24T17:45:59Z)
• AutoKG: Efficient Automated Knowledge Graph Generation for Language Models [9.665916299598338]
  AutoKGは、知識グラフの自動構築のための軽量で効率的なアプローチである。 予備実験により、AutoKGはより包括的で相互接続された知識検索メカニズムを提供することが示された。
  論文  参考訳（メタデータ） (2023-11-22T08:58:25Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Algorithm of Thoughts: Enhancing Exploration of Ideas in Large Language Models [17.059322033670124]
  本稿では,アルゴリズム的推論経路を通じて大規模言語モデルを促進する新しい手法を提案する。 この結果から,LLMをアルゴリズムを用いて指導すると,アルゴリズム自体よりも性能が向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-20T22:36:23Z)
• CrossBeam: Learning to Search in Bottom-Up Program Synthesis [51.37514793318815]
  ボトムアップ合成のためのハンズオン検索ポリシーを学習するためのニューラルネットワークのトレーニングを提案する。 私たちのアプローチは、CrossBeamと呼ばれ、ニューラルモデルを使用して、以前に探索されたプログラムを新しいプログラムに組み合わせる方法を選択します。 我々はCrossBeamが効率的に検索することを学び、最先端技術と比較してプログラム空間のより小さな部分を探索する。
  論文  参考訳（メタデータ） (2022-03-20T04:41:05Z)

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。