論文の概要: LEI2JSON: Schema-based Validation and Conversion of Livestock Event
Information
- arxiv url: http://arxiv.org/abs/2310.17414v1
- Date: Thu, 26 Oct 2023 14:20:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 20:10:53.145219
- Title: LEI2JSON: Schema-based Validation and Conversion of Livestock Event
Information
- Title（参考訳）: LEI2JSON: 家畜イベント情報のスキーマに基づく検証と変換
- Authors: Mahir Habib, Muhammad Ashad Kabir, Lihong Zheng
- Abstract要約: この記事では、LEI2JSON(Livestock Event Information To)という新しいソリューションを紹介します。
このツールはGoogle Sheetsのアドオンで、家畜イベント情報(LEI)スキーマに準拠している。
- 参考スコア（独自算出の注目度）: 1.4507727091925426
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Livestock producers often need help in standardising (i.e., converting and
validating) their livestock event data. This article introduces a novel
solution, LEI2JSON (Livestock Event Information To JSON). The tool is an add-on
for Google Sheets, adhering to the livestock event information (LEI) schema.
The core objective of LEI2JSON is to provide livestock producers with an
efficient mechanism to standardise their data, leading to substantial savings
in time and resources. This is achieved by building the spreadsheet template
with the appropriate column headers, notes, and validation rules, converting
the spreadsheet data into JSON format, and validating the output against the
schema. LEI2JSON facilitates the seamless storage of livestock event
information locally or on Google Drive in JSON. Additionally, we have conducted
an extensive experimental evaluation to assess the effectiveness of the tool.
- Abstract（参考訳）: 家畜生産者はしばしば家畜のイベントデータを標準化する助けを必要としている。
この記事では、LEI2JSON(Livestock Event Information to JSON)という新しいソリューションを紹介します。
このツールはGoogle Sheetsのアドオンで、家畜イベント情報(LEI)スキーマに準拠している。
LEI2JSONの中核的な目的は、家畜生産者にデータの標準化のための効率的なメカニズムを提供することであり、時間とリソースの大幅な節約につながる。
これは、適切なカラムヘッダ、ノート、検証ルールでスプレッドシートテンプレートを構築し、スプレッドシートデータをjson形式に変換し、スキーマに対して出力を検証することで実現されます。
lei2jsonは、家畜のイベント情報をローカルまたはjsonでgoogle driveにシームレスに保存する。
また,本ツールの有効性を評価するために広範な実験を行った。
関連論文リスト
- A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。
基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。
私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
論文 参考訳（メタデータ） (2024-10-14T15:59:16Z) - LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。
以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文 参考訳（メタデータ） (2024-07-02T22:23:40Z) - Parameter-tuning-free data entry error unlearning with adaptive
selective synaptic dampening [51.34904967046097]
本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。
本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。
このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
論文 参考訳（メタデータ） (2024-02-06T14:04:31Z) - AnnoLLM: Making Large Language Models to Be Better Crowdsourced Annotators [98.11286353828525]
GPT-3.5シリーズのモデルは、様々なNLPタスクにまたがる顕著な少数ショットとゼロショットの能力を示している。
本稿では,2段階のアプローチを取り入れたAnnoLLMを提案する。
我々はAnnoLLMを用いた対話型情報検索データセットを構築した。
論文 参考訳（メタデータ） (2023-03-29T17:03:21Z) - PyTAIL: Interactive and Incremental Learning of NLP Models with Human in
the Loop for Online Data [1.576409420083207]
PyTAILは、人間のループアプローチでNLPモデルを積極的に訓練できるピソンライブラリである。
テキスト分類のための既存のソーシャルメディアベンチマークデータセット上でのPyTAILの性能をシミュレートする。
論文 参考訳（メタデータ） (2022-11-24T20:08:15Z) - Learning Enhanced Representations for Tabular Data via Neighborhood
Propagation [24.485479610138498]
データインスタンスのクロスローパターンとクロスカラムパターンをモデル化するハイパーグラフを構築した。
次に、ターゲットデータインスタンス表現を強化するためにメッセージの伝搬を行います。
2つの重要なデータ予測タスクの実験は、提案したPETモデルの優越性を検証する。
論文 参考訳（メタデータ） (2022-06-14T04:24:52Z) - Efficient Few-Shot Fine-Tuning for Opinion Summarization [83.76460801568092]
抽象的な要約モデルは、典型的には大量のジェネリックテキストで事前訓練され、数万から数十万の注釈付きサンプルで微調整される。
アダプタをベースとした数ショット法では,ドメイン内の知識を容易に保存できることを示す。
この自己教師型アダプタの事前トレーニングにより,AmazonとYelpのデータセット上の2.0および1.3ROUGE-Lポイントの要約品質が向上することを示す。
論文 参考訳（メタデータ） (2022-05-04T16:38:37Z) - Missing Data Infill with Automunge [0.0]
データ不足はデータサイエンスの実践における基本的な障害である。
本稿では,Automungeオープンソースpythonライブラリプラットフォームで利用可能な,インキュベーションに関するいくつかの規約について調査する。
論文 参考訳（メタデータ） (2022-02-19T00:49:30Z) - Mill.jl and JsonGrinder.jl: automated differentiable feature extraction
for learning from raw JSON data [0.0]
生のデータ入力から学ぶことは、機械学習の手法を成功させるために重要な要素の1つである。
生のデータ入力から学ぶことは、機械学習の手法を成功させるために重要な要素の1つである。
論文 参考訳（メタデータ） (2021-05-19T13:02:10Z) - Doc2Dict: Information Extraction as Text Generation [0.0]
Doc2Dictはドキュメントレベルの情報を抽出するパイプラインである。
既存のデータベースレコードの言語モデルをトレーニングし、構造化されたスパンを生成します。
チェックポインティングとチャンクエンコーディングを用いて,1つのベースライン上の最大32,000トークンのシーケンスに適用する。
論文 参考訳（メタデータ） (2021-05-16T20:46:29Z) - Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。
自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。
我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
論文 参考訳（メタデータ） (2020-10-03T03:18:52Z)
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。