論文の概要: What makes a good concept anyway ?

• arxiv url: http://arxiv.org/abs/2409.06150v1
• Date: Tue, 10 Sep 2024 01:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:56:14.603751
• Title: What makes a good concept anyway ?
• Title（参考訳）: 何が良いコンセプトになるのか?
• Authors: Naren Khatwani, James Geller,
• Abstract要約: 概念の良さを測る尺度を提案する。 医療専門家の良心判断に影響を与えると思われる要因は、1つの指標にまとめられる。 我々の測定基準は、クリッペンドルフのアルファで測定されたように、専門家と50.67%の総合的な合意を得た。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A good medical ontology is expected to cover its domain completely and correctly. On the other hand, large ontologies are hard to build, hard to understand, and hard to maintain. Thus, adding new concepts (often multi-word concepts) to an existing ontology must be done judiciously. Only "good" concepts should be added; however, it is difficult to define what makes a concept good. In this research, we propose a metric to measure the goodness of a concept. We identified factors that appear to influence goodness judgments of medical experts and combined them into a single metric. These factors include concept name length (in words), concept occurrence frequency in the medical literature, and syntactic categories of component words. As an added factor, we used the simplicity of a term after mapping it into a specific foreign language. We performed Bayesian optimization of factor weights to achieve maximum agreement between the metric and three medical experts. The results showed that our metric had a 50.67% overall agreement with the experts, as measured by Krippendorff's alpha.
• Abstract（参考訳）: 優れた医学オントロジーは、その領域を完全に正確にカバーすることが期待されている。 一方、大きなオントロジーは構築が難しく、理解が難しく、メンテナンスが難しい。 したがって、既存のオントロジーに新しい概念(しばしばマルチワードの概念)を追加することは、司法的に行う必要がある。 良い”概念のみを追加するべきですが、何がコンセプトを良いものにするかを定義するのは難しいのです。 本研究では,概念の良さを測る尺度を提案する。 医療専門家の良心判断に影響を及ぼす要因を特定し,それらを1つの指標に組み合わせた。 これらの要因には、概念名の長さ(言葉)、医学文献における概念発生頻度、構成要素語の統語的カテゴリが含まれる。 追加要因として、特定の外国語にマッピングした後、項の単純さを使用しました。 測定値と3名の医療専門家の間で最大一致を達成するため,因子量ベイズ最適化を行った。 その結果、我々の測定値は、クリッペンドルフのアルファで測定されたように、専門家と総合的に50.67%の一致を示した。

関連論文リスト

• What Really is Commonsense Knowledge? [58.5342212738895]
  我々は、既存のコモンセンス知識の定義を調査し、概念を定義するための3つのフレームワークに基礎を置き、それらをコモンセンス知識の統一的な定義に統合する。 次に、アノテーションと実験のための統合された定義をCommonsenseQAとCommonsenseQA 2.0データセットで使用します。 本研究は,2つのデータセットには非常識知識のインスタンスが多数存在し,これら2つのサブセットに対して大きな性能差があることを示す。
  論文  参考訳（メタデータ） (2024-11-06T14:54:19Z)
• Evaluating LLMs for Targeted Concept Simplification for Domain-Specific Texts [53.421616210871704]
  コンテクストの欠如と難解な概念に対する不慣れさは、大人の読者がドメイン固有のテキストに難渋する大きな理由である。 テキストの書き直しを簡略化し,不慣れな概念を含むテキストの理解を支援する「目標概念の簡略化」を提案する。 本研究は,オープンソースおよび商用LLMの性能と,この課題に対する簡単な辞書ベースラインのベンチマークを行う。
  論文  参考訳（メタデータ） (2024-10-28T05:56:51Z)
• ClassDiffusion: More Aligned Personalization Tuning with Explicit Class Guidance [78.44823280247438]
  新しい概念を学ぶ際に,意味的保存損失を利用して概念空間を明示的に制御する手法であるClassDiffusionを提案する。 その単純さにもかかわらず、これはターゲット概念を微調整する際のセマンティックドリフトを避けるのに役立つ。 CLIP-T測定値の非効率な評価に対して,BLIP2-T測定値を導入する。
  論文  参考訳（メタデータ） (2024-05-27T17:50:10Z)
• Measuring Meaning Composition in the Human Brain with Composition Scores from Large Language Models [53.840982361119565]
  コンポジションスコアは、文理解中に意味合成の度合いを定量化するために設計された、新しいモデルに基づく計量である。 実験結果から, 単語の頻度, 構造処理, 単語に対する一般感性に関連する脳クラスタとの関連が示唆された。
  論文  参考訳（メタデータ） (2024-03-07T08:44:42Z)
• Advancements in eHealth Data Analytics through Natural Language Processing and Deep Learning [0.614609308117547]
  この章では、非構造化(画像およびテキスト)eヘルスデータを解析するための、現在で最も高性能なソリューションについて批判的な研究を行っている。 この研究は、eHealthコンテキストにおける現在の自然言語処理とディープラーニング技術の比較も提供する。
  論文  参考訳（メタデータ） (2024-01-19T17:51:11Z)
• WellXplain: Wellness Concept Extraction and Classification in Reddit Posts for Mental Health Analysis [8.430481660019451]
  伝統的なセラピーセッションでは、専門家は、基礎となる精神的な課題の起源と成果を手動で特定する。 本稿では、Redditコンテンツ中のウェルネス次元の同定を、ウェルネス概念抽出とカテゴリー化の課題として考慮し、この複雑なメンタルヘルス分析へのアプローチを紹介する。 WELLXPLAINという名前のユニークなデータセットは、3,092のエントリと72,813のワードで構成されています。
  論文  参考訳（メタデータ） (2023-08-25T23:50:05Z)
• Automatic Glossary of Clinical Terminology: a Large-Scale Dictionary of Biomedical Definitions Generated from Ontological Knowledge [14.531480317300856]
  40,000以上の生物医学的概念とその関係の一部はSnomedCTに含まれている。 理解可能な言語における明確な定義や記述は、しばしば利用できない。 AGCTには、SnomedCTの概念のためのコンピュータ生成定義が422,070個含まれている。
  論文  参考訳（メタデータ） (2023-06-01T13:37:55Z)
• Biomedical Named Entity Recognition via Dictionary-based Synonym Generalization [51.89486520806639]
  本研究では,入力テキストに含まれる生物医学的概念をスパンベース予測を用いて認識する,新しいSynGenフレームワークを提案する。 提案手法を広範囲のベンチマークで広範囲に評価し,SynGenが従来の辞書ベースモデルよりも顕著なマージンで優れていることを確認した。
  論文  参考訳（メタデータ） (2023-05-22T14:36:32Z)
• When are Post-hoc Conceptual Explanations Identifiable? [18.85180188353977]
  人間の概念ラベルが利用できない場合、概念発見手法は解釈可能な概念のための訓練された埋め込み空間を探索する。 我々は、概念発見は特定可能であり、多くの既知の概念を確実に回収し、説明の信頼性を保証するべきであると論じている。 本結果は,人間ラベルのない信頼性の高い概念発見を保証できる厳密な条件を強調した。
  論文  参考訳（メタデータ） (2022-06-28T10:21:17Z)
• Semantic Search for Large Scale Clinical Ontologies [63.71950996116403]
  本稿では,大規模臨床語彙検索システムを構築するための深層学習手法を提案する。 本稿では,意味学習データに基づくトレーニングデータを生成するTriplet-BERTモデルを提案する。 このモデルは,5つの実ベンチマークデータセットを用いて評価され,提案手法は自由テキストから概念,概念まで,概念語彙の検索において高い結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-01-01T05:15:42Z)
• Towards Visual Semantics [17.1623244298824]
  私たちは、人間の視覚的知覚の精神表現、すなわち概念の構築方法を研究します。 本稿では,分類概念と呼ばれる概念に対応する物質概念を学習する理論とアルゴリズムを提案する。 予備的な実験は、アルゴリズムが正しい精度で属と分化の概念を取得することを証明している。
  論文  参考訳（メタデータ） (2021-04-26T07:28:02Z)

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。