論文の概要: What do Deck Chairs and Sun Hats Have in Common? Uncovering Shared Properties in Large Concept Vocabularies

• arxiv url: http://arxiv.org/abs/2310.14793v1
• Date: Mon, 23 Oct 2023 10:53:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 20:47:41.260625
• Title: What do Deck Chairs and Sun Hats Have in Common? Uncovering Shared Properties in Large Concept Vocabularies
• Title（参考訳）: デッキチェアとサンハットの共通点は? 大語彙における共有特性の解明
• Authors: Amit Gajbhiye, Zied Bouraoui, Na Li, Usashi Chatterjee, Luis Espinosa Anke, Steven Schockaert
• Abstract要約: 概念は多くのアプリケーションにおいて中心的な役割を果たす。 これまでの研究は、言語モデルから非文脈化概念の埋め込みを蒸留することに重点を置いてきた。 我々は,潜在的に大きな概念語彙から,他の概念と共通する概念を識別する戦略を提案する。 そして、それらが他の概念と共有する性質の観点で概念を表現する。
• 参考スコア（独自算出の注目度）: 33.879307754303746
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Concepts play a central role in many applications. This includes settings where concepts have to be modelled in the absence of sentence context. Previous work has therefore focused on distilling decontextualised concept embeddings from language models. But concepts can be modelled from different perspectives, whereas concept embeddings typically mostly capture taxonomic structure. To address this issue, we propose a strategy for identifying what different concepts, from a potentially large concept vocabulary, have in common with others. We then represent concepts in terms of the properties they share with the other concepts. To demonstrate the practical usefulness of this way of modelling concepts, we consider the task of ultra-fine entity typing, which is a challenging multi-label classification problem. We show that by augmenting the label set with shared properties, we can improve the performance of the state-of-the-art models for this task.
• Abstract（参考訳）: 概念は多くのアプリケーションにおいて中心的な役割を果たす。 これには、文コンテキストがない場合に概念をモデル化する必要がある設定が含まれる。 それゆえ、以前の研究は言語モデルから非文脈的概念埋め込みを蒸留することに焦点を当ててきた。 しかし、概念は異なる視点からモデル化できるが、概念埋め込みは通常、分類学的な構造を取り込む。 この問題に対処するために,我々は,潜在的に大きな概念語彙から,他の概念と共通する概念を識別するための戦略を提案する。 そして、他の概念と共有する特性の観点から概念を表現します。 このようなモデリング概念の実用的有用性を示すために,多段分類問題である超微細エンティティ型付けの課題について考察する。 ラベルセットを共有プロパティで拡張することで、このタスクの最先端モデルのパフォーマンスを向上させることができることを示す。

関連論文リスト

• A Concept-Based Explainability Framework for Large Multimodal Models [52.37626977572413]
  本稿では,トークン表現に適用した辞書学習に基づくアプローチを提案する。 これらの概念は、視覚とテキストの両方に意味論的に根ざしていることを示す。 抽出したマルチモーダル概念は,テストサンプルの表現の解釈に有用であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T10:48:53Z)
• Modelling Commonsense Commonalities with Multi-Facet Concept Embeddings [25.52752452574944]
  概念埋め込みは興味のある性質を共有する概念を識別する。 標準埋め込みは基本的な分類学的カテゴリーを反映しており、より特定の側面を参照する共通点を見つけるのに適さない。 これは、より多様なコモンセンス特性をキャプチャし、下流タスクの結果を継続的に改善する埋め込みにつながることを示す。
  論文  参考訳（メタデータ） (2024-03-25T17:44:45Z)
• Lego: Learning to Disentangle and Invert Concepts Beyond Object Appearance in Text-to-Image Diffusion Models [66.43013001061477]
  いくつかのサンプル画像から対象の絡み合った概念を逆転させる手法であるLegoを導入する。 レゴは、シンプルだが効果的な対象分離ステップを使用して、関連する主題から概念を分離する。 徹底的なユーザスタディでは、レゴ生成の概念がベースラインと比較して70%以上好まれました。
  論文  参考訳（メタデータ） (2023-11-23T07:33:38Z)
• Visual Superordinate Abstraction for Robust Concept Learning [80.15940996821541]
  概念学習は言語意味論と結びついた視覚表現を構成する。 視覚概念の本質的な意味的階層を探索する失敗のボトルネックについて説明する。 本稿では,意味認識型視覚サブ空間を明示的にモデル化するビジュアル・スーパーオーディネート・抽象化・フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-28T14:27:38Z)
• FALCON: Fast Visual Concept Learning by Integrating Images, Linguistic descriptions, and Conceptual Relations [99.54048050189971]
  自然に発生する複数のデータストリームによってガイドされる新しい視覚概念を素早く学習するフレームワークを提案する。 学習された概念は、未知の画像について推論することで質問に答えるなど、下流のアプリケーションをサポートする。 合成と実世界の両方のデータセットにおけるモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-03-30T19:45:00Z)
• The Conceptual VAE [7.15767183672057]
  本稿では,変分オートエンコーダの枠組みに基づく新しい概念モデルを提案する。 このモデルは、概念のβ-VAEモデルにインスパイアされ、密接に関連しています。 モデルが概念分類器としてどのように使用できるか、そしてインスタンス毎に少ないラベルから学習するためにどのように適応できるかを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:27:28Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• Separating Skills and Concepts for Novel Visual Question Answering [66.46070380927372]
  アウト・オブ・ディストリビューションデータへの一般化は、VQA(Visual Question Answering)モデルにおいて問題となっている。 「スキル」とは、数え方や属性認識などの視覚的なタスクであり、その疑問に言及された「概念」に適用される。 モデル内でこれらの2つの要因を暗黙的に分離するスキルと概念を学習するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-07-19T18:55:10Z)
• Classifying concepts via visual properties [5.1652563977194434]
  本稿では,物質概念のレキシコ・セマンティック階層を構築するための一般的な手法を紹介する。 重要なノベルティは、階層構造が物質概念の視覚的性質を利用するように構築されていることである。 アプローチの有効性は、進行中のプロジェクトのハイライトを提供することによって実証されます。
  論文  参考訳（メタデータ） (2021-05-19T22:24:30Z)

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。