論文の概要: Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships

• arxiv url: http://arxiv.org/abs/2310.15999v1
• Date: Tue, 24 Oct 2023 16:48:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 17:40:11.544965
• Title: Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships
• Title（参考訳）: 推移性回復分解:解釈可能かつロバストな細粒度関係
• Authors: Abhra Chaudhuri, Massimiliano Mancini, Zeynep Akata, Anjan Dutta
• Abstract要約: Transitivity Recovering Decompositions (TRD) は、抽象的な創発的関係の解釈可能な等価性を識別するグラフ空間探索アルゴリズムである。 TRDは明らかにノイズの多い見方に対して堅牢であり、実証的な証拠もこの発見を支持している。
• 参考スコア（独自算出の注目度）: 69.04014445666142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in fine-grained representation learning leverage local-to-global (emergent) relationships for achieving state-of-the-art results. The relational representations relied upon by such methods, however, are abstract. We aim to deconstruct this abstraction by expressing them as interpretable graphs over image views. We begin by theoretically showing that abstract relational representations are nothing but a way of recovering transitive relationships among local views. Based on this, we design Transitivity Recovering Decompositions (TRD), a graph-space search algorithm that identifies interpretable equivalents of abstract emergent relationships at both instance and class levels, and with no post-hoc computations. We additionally show that TRD is provably robust to noisy views, with empirical evidence also supporting this finding. The latter allows TRD to perform at par or even better than the state-of-the-art, while being fully interpretable. Implementation is available at https://github.com/abhrac/trd.
• Abstract（参考訳）: 細粒度表現学習の最近の進歩は、最先端の成果を達成するために、局所からグローバル(緊急)の関係性を活用する。 しかし、そのような方法に依存する関係表現は抽象的である。 画像ビュー上の解釈可能なグラフとして表現することで、この抽象化を分解することを目指している。 理論的には、抽象的関係表現は、局所的な見解間の推移的関係を回復する手段に過ぎない。 そこで我々は,インスタンスとクラスレベルの抽象的創発的関係の解釈可能な等価性を識別するグラフ空間探索アルゴリズムであるTransitivity Recovering Decompositions (TRD) を設計した。 また,この発見を裏付ける実証的な証拠とともに,RDがノイズの多い見方に対して確実に堅牢であることを示す。 後者は、RDが完全に解釈可能でありながら、最先端技術よりも同等またはそれ以上のパフォーマンスを実現することを可能にする。 実装はhttps://github.com/abhrac/trdで利用可能である。

関連論文リスト

• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Explainable Representations for Relation Prediction in Knowledge Graphs [0.0]
  本稿では、知識グラフにおける関係予測を支援するための説明可能な表現のための新しいアプローチであるSEEKを提案する。 それは、エンティティと各サブグラフの学習表現の間の関連する共有意味的側面を識別することに基づいている。 本研究では,タンパク質間相互作用予測と遺伝子発現関連予測の2つの実世界の関係予測タスクについてSEEKを評価した。
  論文  参考訳（メタデータ） (2023-06-22T06:18:40Z)
• Unsupervised Learning of Structured Representations via Closed-Loop Transcription [21.78655495464155]
  本稿では,識別目的と生成目的の両方を兼ね備えた統一表現を学習するための教師なし手法を提案する。 統一表現は、両方を持つことの相互利益を享受できることが示される。 これらの構造化された表現は、最先端の教師なし識別表現に近い分類を可能にする。
  論文  参考訳（メタデータ） (2022-10-30T09:09:05Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• Sparse Relational Reasoning with Object-Centric Representations [78.83747601814669]
  対象中心表現の操作において,リレーショナルニューラルアーキテクチャによって学習されたソフトルールの構成可能性について検討する。 特に特徴量の増加は,いくつかのモデルの性能を向上し,より単純な関係をもたらすことが判明した。
  論文  参考訳（メタデータ） (2022-07-15T14:57:33Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• Robust Contrastive Learning against Noisy Views [79.71880076439297]
  ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。 提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
  論文  参考訳（メタデータ） (2022-01-12T05:24:29Z)
• Self-Supervised Learning Disentangled Group Representation as Feature [82.07737719232972]
  既存の自己監督学習(SSL)は、回転や着色などの単純な拡張機能のみを分解することを示す。 反復的分割に基づく不変リスク最小化(IP-IRM)を提案する。 我々は、IP-IRMが完全に不整合表現に収束し、様々なベンチマークでその効果を示すことを証明した。
  論文  参考訳（メタデータ） (2021-10-28T16:12:33Z)
• Logic-guided Semantic Representation Learning for Zero-Shot Relation Classification [31.887770824130957]
  ゼロショット関係分類のための論理誘導型意味表現学習モデルを提案する。 我々のアプローチは、暗黙的および明示的な意味表現と知識グラフの埋め込みと論理規則との接続を構築する。
  論文  参考訳（メタデータ） (2020-10-30T04:30:09Z)
• Explanation-based Weakly-supervised Learning of Visual Relations with Graph Networks [7.199745314783952]
  本稿では,最小画像レベルの述語ラベルに依存した視覚的関係検出手法を提案する。 グラフニューラルネットワークは、検出されたオブジェクトのグラフ表現から画像中の述語を分類するように訓練され、ペア関係の帰納バイアスを暗黙的に符号化する。 本稿では,3つの多種多様かつ難解なデータセットに対して,最新の完全および弱教師付き手法に匹敵する結果を提示する。
  論文  参考訳（メタデータ） (2020-06-16T23:14:52Z)

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。