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
- 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) - Survival of the Most Influential Prompts: Efficient Black-Box Prompt
Search via Clustering and Pruning [77.61565726647784]
本稿では,まず検索空間をクラスタ化してプルークするブラックボックス探索手法を提案する。
検索空間設計と最適化は,ブラックボックス・プロンプトに基づく学習の有用性と効率性を両立させる上で重要な役割を担っている。
論文 参考訳(メタデータ) (2023-10-19T14:25:06Z) - 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 [18.302024623742533]
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) - Semantic Search for Large Scale Clinical Ontologies [63.71950996116403]
本稿では,大規模臨床語彙検索システムを構築するための深層学習手法を提案する。
本稿では,意味学習データに基づくトレーニングデータを生成するTriplet-BERTモデルを提案する。
このモデルは,5つの実ベンチマークデータセットを用いて評価され,提案手法は自由テキストから概念,概念まで,概念語彙の検索において高い結果が得られることを示す。
論文 参考訳(メタデータ) (2022-01-01T05:15:42Z) - Neural Class Expression Synthesis [2.0474076605741036]
クラス表現学習は説明可能な教師あり機械学習の一分野である。
記述論理における表現学習のための既存のアプローチは、探索アルゴリズムやハードルールベースである。
そこで我々は,合成手法を考案した新しいアプローチのファミリーを提案する。
論文 参考訳(メタデータ) (2021-11-16T14:05:24Z) - Parameterizing Branch-and-Bound Search Trees to Learn Branching Policies [76.83991682238666]
Branch and Bound (B&B) は、Mixed-Integer Linear Programming Problem (MILP) の解法として一般的に用いられる木探索法である。
本稿では,新しい模倣学習フレームワークを提案し,分岐を表現するための新しい入力機能とアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-02-12T17:43:23Z) - Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。
これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。
学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
論文 参考訳(メタデータ) (2020-01-18T06:23:18Z)
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。