論文の概要: Repairing Networks of $\mathcal{EL_\perp}$ Ontologies using Weakening and Completing -- Extended version
- arxiv url: http://arxiv.org/abs/2407.18848v1
- Date: Fri, 26 Jul 2024 16:15:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-29 12:49:41.616759
- Title: Repairing Networks of $\mathcal{EL_\perp}$ Ontologies using Weakening and Completing -- Extended version
- Title（参考訳）: WeakeningとCompletingを使った$\mathcal{EL_\perp}$オントロジーの修復 - 拡張バージョン
- Authors: Ying Li, Patrick Lambrix,
- Abstract要約: 本稿では,この問題に対処するオントロジーネットワークの修復フレームワークを提案する。
弱体化や完成などの基本的な操作を定義する。
修復したネットワークの品質に及ぼす組み合わせ演算子の影響と実装ツールについて述べる。
- 参考スコア（独自算出の注目度）: 4.287175019018556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quality of ontologies and their alignments is crucial for developing high-quality semantics-based applications. Traditional debugging techniques repair ontology networks by removing unwanted axioms and mappings, but may thereby remove consequences that are correct in the domain of the ontology network. In this paper we propose a framework for repairing ontology networks that deals with this issue. It defines basic operations such as debugging, weakening and completing. Further, it defines combination operators that reflect choices in how and when to use the basic operators, as well as choices regarding the autonomy level of the ontologies and alignments in the ontology network. We show the influence of the combination operators on the quality of the repaired network and present an implemented tool. By using our framework together with existing algorithms for debugging, weakening and completing, we essentially provide a blueprint for extending previous work and systems.
- Abstract（参考訳）: オントロジの品質とそのアライメントは、高品質なセマンティクスベースのアプリケーションを開発する上で不可欠である。
従来のデバッギング技術は、不要な公理やマッピングを除去することでオントロジーネットワークを修復するが、オントロジーネットワークのドメインで正しい結果を取り除くことができる。
本稿では,この問題に対処するオントロジーネットワークの修復フレームワークを提案する。
デバッグ、弱体化、完了といった基本的な操作を定義する。
さらに、オントロジーネットワークにおけるオントロジーとアライメントの自律性に関する選択と同様に、基本演算子の使用方法と使用タイミングを反映した組合せ演算子を定義する。
修復したネットワークの品質に及ぼす組み合わせ演算子の影響と実装ツールについて述べる。
私たちのフレームワークと既存のアルゴリズムを併用して、デバッグ、弱体化、そして完了することで、私たちは基本的に、以前の作業やシステムを拡張するための青写真を提供します。
関連論文リスト
- Efficient compilation of expressive problem space specifications to
neural network solvers [0.0]
前者を後者にコンパイルするアルゴリズムについて述べる。
我々は、標準のSMTソルバとは対照的に、ニューラルネットワークソルバをターゲットにして発生する複雑さを探索し、克服する。
論文 参考訳（メタデータ） (2024-01-24T09:13:09Z) - Rotation Equivariant Proximal Operator for Deep Unfolding Methods in Image Restoration [62.41329042683779]
本稿では, 回転対称性を組み込んだ高精度な回転同変近位ネットワークを提案する。
本研究は, 回転対称性の先行を深く展開する枠組みに効果的に組み込む, 高精度な回転同変近位ネットワークを提案する。
論文 参考訳（メタデータ） (2023-12-25T11:53:06Z) - Ontology Revision based on Pre-trained Language Models [32.92146634065263]
オントロジーの改訂は、新しいオントロジーを既存のオントロジーにシームレスに組み込むことを目的としている。
不整合は不整合を引き起こし、矛盾するオントロジーを推論する主要な要因であり、無意味な答えが得られる。
この問題に対処するため,様々なオントロジー修正手法が提案されている。
本稿では,事前学習モデルの改訂方法について検討する。
論文 参考訳（メタデータ） (2023-10-27T00:52:01Z) - Repairing $\mathcal{EL}$ Ontologies Using Weakening and Completing [5.625946422295428]
ドメインエキスパートの検証作業量と、正確性と完全性の観点からの完全性の品質との間にはトレードオフがあることを示す。
論文 参考訳（メタデータ） (2022-07-31T18:15:24Z) - Rank Diminishing in Deep Neural Networks [71.03777954670323]
ニューラルネットワークのランクは、層をまたがる情報を測定する。
これは機械学習の幅広い領域にまたがる重要な構造条件の例である。
しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
論文 参考訳（メタデータ） (2022-06-13T12:03:32Z) - Reconstruction Task Finds Universal Winning Tickets [24.52604301906691]
十分に訓練されたニューラルネットワークは、コンピュータビジョンシステムにおいて有望な精度と効率のトレードオフを実現するのに有効である。
既存のプルーニングアルゴリズムのほとんどは、ソースドメインで定義された分類タスクのみに焦点を当てている。
本稿では,画像レベルのプレトレインタスクは,下流の様々なタスクに対して,モデルを刈り取ることができないことを示す。
論文 参考訳（メタデータ） (2022-02-23T13:04:32Z) - A Unified Architecture of Semantic Segmentation and Hierarchical
Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。
我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。
我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
論文 参考訳（メタデータ） (2021-12-08T22:06:31Z) - Explainability-aided Domain Generalization for Image Classification [0.0]
説明可能性文献から手法やアーキテクチャを適用することで、ドメインの一般化という困難な課題に対して最先端のパフォーマンスを達成できることを示す。
そこで我々は,勾配に基づくクラスアクティベーションマップを用いて学習中にネットワークが指導を受ける手法であるDivCAMを含む新しいアルゴリズムを開発し,多様な識別機能に焦点をあてる。
これらの手法は、説明可能性に加えて競合性能を提供するため、深層ニューラルネットワークアーキテクチャのロバスト性を改善するツールとして使用できると論じる。
論文 参考訳（メタデータ） (2021-04-05T02:27:01Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳（メタデータ） (2021-03-31T08:15:17Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳（メタデータ） (2020-03-31T16:47:20Z)
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。