論文の概要: Mining Frequent Structures in Conceptual Models
- arxiv url: http://arxiv.org/abs/2406.07129v2
- Date: Tue, 24 Dec 2024 08:26:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-25 15:52:49.759426
- Title: Mining Frequent Structures in Conceptual Models
- Title（参考訳）: 概念モデルにおける周波数構造のマイニング
- Authors: Mattia Fumagalli, Tiago Prince Sales, Pedro Paulo F. Barcelos, Giovanni Micale, Philipp-Lorenz Glaser, Dominik Bork Vadim Zaytsev, Diego Calvanese, Giancarlo Guizzardi,
- Abstract要約: 本稿では,概念モデルにおける頻繁な構造発見問題に対する一般的なアプローチを提案する。
我々は、広く使われている2つの概念モデリング言語に焦点をあてて、我々のアプローチを実装した。
このツールは、効果的なモデリングプラクティスと非効果的なモデリングプラクティスの両方を特定するのに使うことができる。
- 参考スコア（独自算出の注目度）: 2.724442985593651
- License:
- Abstract: The problem of using structured methods to represent knowledge is well-known in conceptual modeling and has been studied for many years. It has been proven that adopting modeling patterns represents an effective structural method. Patterns are, indeed, generalizable recurrent structures that can be exploited as solutions to design problems. They aid in understanding and improving the process of creating models. The undeniable value of using patterns in conceptual modeling was demonstrated in several experimental studies. However, discovering patterns in conceptual models is widely recognized as a highly complex task and a systematic solution to pattern identification is currently lacking. In this paper, we propose a general approach to the problem of discovering frequent structures, as they occur in conceptual modeling languages. As proof of concept, we implement our approach by focusing on two widely-used conceptual modeling languages. This implementation includes an exploratory tool that integrates a frequent subgraph mining algorithm with graph manipulation techniques. The tool processes multiple conceptual models and identifies recurrent structures based on various criteria. We validate the tool using two state-of-the-art curated datasets: one consisting of models encoded in OntoUML and the other in ArchiMate. The primary objective of our approach is to provide a support tool for language engineers. This tool can be used to identify both effective and ineffective modeling practices, enabling the refinement and evolution of conceptual modeling languages. Furthermore, it facilitates the reuse of accumulated expertise, ultimately supporting the creation of higher-quality models in a given language.
- Abstract（参考訳）: 構造的手法を用いて知識を表現するという問題は概念モデリングにおいてよく知られており、長年研究されてきた。
モデリングパターンの採用は効果的な構造的手法であることが証明されている。
パターンは実際、設計問題の解決策として活用できる一般化可能な再帰構造である。
モデル作成プロセスの理解と改善を支援する。
概念モデリングにおけるパターンの使用の不可能な価値は、いくつかの実験的研究で実証された。
しかし、概念モデルにおけるパターン発見は、非常に複雑なタスクとして広く認識されており、パターン識別の体系的な解決策が現在不足している。
本稿では,概念モデリング言語で発生する頻繁な構造発見問題に対する一般的なアプローチを提案する。
概念実証として,2つの広く使われている概念モデリング言語に着目し,提案手法を実装した。
この実装には、頻繁なサブグラフマイニングアルゴリズムとグラフ操作技術を統合する探索ツールが含まれている。
このツールは複数の概念モデルを処理し、様々な基準に基づいて再帰構造を識別する。
OntoUMLでエンコードされたモデルとArchiMateでエンコードされたモデルからなる2つの最先端キュレートデータセットを用いて、このツールを検証する。
このアプローチの主な目的は、言語エンジニアのためのサポートツールを提供することです。
このツールは、効果的なモデリングプラクティスと非効果的なモデリングプラクティスの両方を識別するために使用することができ、概念モデリング言語の洗練と進化を可能にする。
さらに、蓄積された専門知識の再利用を容易にし、最終的に与えられた言語における高品質なモデルの作成を支援する。
関連論文リスト
- A Concept-Centric Approach to Multi-Modality Learning [3.828996378105142]
我々は、より効率的なAIシステムを構築するために、新しいマルチモーダリティ学習フレームワークを導入する。
我々のフレームワークは、より効率的な学習曲線を示しながら、ベンチマークモデルと同等に達成する。
論文 参考訳（メタデータ） (2024-12-18T13:40:21Z) - Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models [80.32412260877628]
人間の解釈可能な概念をデータから学習する方法を研究する。
両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
論文 参考訳（メタデータ） (2024-02-14T15:23:59Z) - Has Your Pretrained Model Improved? A Multi-head Posterior Based
Approach [25.927323251675386]
我々は、世界的知識の源として各エンティティに関連するメタ機能を活用し、モデルからエンティティ表現を採用する。
本稿では,これらの表現とメタ機能との整合性を,事前学習モデルの評価指標として用いることを提案する。
提案手法の有効性は,関係データセットを用いたモデル,大規模言語モデル,画像モデルなど,様々な領域で実証されている。
論文 参考訳（メタデータ） (2024-01-02T17:08:26Z) - Foundation Models for Decision Making: Problems, Methods, and
Opportunities [124.79381732197649]
大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。
ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。
基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
論文 参考訳（メタデータ） (2023-03-07T18:44:07Z) - A Meta-Learning Approach to Population-Based Modelling of Structures [0.0]
構造力学における機械学習アプローチの大きな問題は、構造データの頻繁な欠如である。
この研究は、人口ベースの構造的健康モニタリングの分野に着想を得て、人口内で知識を伝達できるモデルを作成しようとしている。
メタラーニングアプローチを用いて訓練されたモデルは、人口構造に関する推論に関する従来の機械学習手法より優れている。
論文 参考訳（メタデータ） (2023-02-15T23:01:59Z) - Language Model Cascades [72.18809575261498]
テスト時に1つのモデルで繰り返し対話する、あるいは複数のモデルの合成は、さらに機能を拡張する。
制御フローと動的構造を持つ場合、確率的プログラミングのテクニックが必要となる。
この観点から、スクラッチパッド/思考連鎖、検証器、STaR、選択推論、ツール利用など、いくつかの既存のテクニックを定式化します。
論文 参考訳（メタデータ） (2022-07-21T07:35:18Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - Beyond Explaining: Opportunities and Challenges of XAI-Based Model
Improvement [75.00655434905417]
説明可能な人工知能(XAI)は、高度に複雑な機械学習(ML)モデルに透明性をもたらす新たな研究分野である。
本稿では,機械学習モデルの諸特性を改善するために,XAIを実用的に応用する手法を概観する。
実験では,モデル一般化能力や推論などの特性を改善する上で,説明がどのように役立つのかを,おもちゃと現実的な設定で実証的に示す。
論文 参考訳（メタデータ） (2022-03-15T15:44:28Z) - Artefact Retrieval: Overview of NLP Models with Knowledge Base Access [18.098224374478598]
本稿では,人工物の種類(知識ベースから抽出した項目),検索機構,およびこれらの人工物がモデルに融合する方法を体系的に記述する。
言語モデルに焦点が当てられているが、質問応答、事実チェック、対話モデルもこのシステムにどのように適合するかを示す。
論文 参考訳（メタデータ） (2022-01-24T13:15:33Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Universal Representation Learning of Knowledge Bases by Jointly
Embedding Instances and Ontological Concepts [39.99087114075884]
我々は,より優れた知識の埋め込みを実現するために,新しい2視点KG埋め込みモデルJOIEを提案する。
JOIEは、知識基盤の複数の側面を学習するクロスビューおよびイントラビューモデリングを採用しています。
私たちのモデルは、大規模なインスタンスと(小さな)クロスビューリンクを介して接続された対応するオントロジ概念からなる大規模な知識ベースで訓練されます。
論文 参考訳（メタデータ） (2021-03-15T03:24:37Z)
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。