論文の概要: A Variable Occurrence-Centric Framework for Inconsistency Handling (Extended Version)

• arxiv url: http://arxiv.org/abs/2412.11868v1
• Date: Mon, 16 Dec 2024 15:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:40.089833
• Title: A Variable Occurrence-Centric Framework for Inconsistency Handling (Extended Version)
• Title（参考訳）: 不整合処理のための可変Occurrence-Centric Framework(拡張版)
• Authors: Yakoub Salhi,
• Abstract要約: 本稿では,命題ベースにおける不整合の分析と処理を行うフレームワークを提案する。 最小整合関係(MIR)と最大整合関係(MCR)の2つの双対概念を提案する。
• 参考スコア（独自算出の注目度）: 13.706331473063882
• License:
• Abstract: In this paper, we introduce a syntactic framework for analyzing and handling inconsistencies in propositional bases. Our approach focuses on examining the relationships between variable occurrences within conflicts. We propose two dual concepts: Minimal Inconsistency Relation (MIR) and Maximal Consistency Relation (MCR). Each MIR is a minimal equivalence relation on variable occurrences that results in inconsistency, while each MCR is a maximal equivalence relation designed to prevent inconsistency. Notably, MIRs capture conflicts overlooked by minimal inconsistent subsets. Using MCRs, we develop a series of non-explosive inference relations. The main strategy involves restoring consistency by modifying the propositional base according to each MCR, followed by employing the classical inference relation to derive conclusions. Additionally, we propose an unusual semantics that assigns truth values to variable occurrences instead of the variables themselves. The associated inference relations are established through Boolean interpretations compatible with the occurrence-based models.
• Abstract（参考訳）: 本稿では,命題ベースにおける矛盾を分析し,対処するための構文的枠組みを提案する。 本研究は,紛争における変動事象の関連性を検討することに焦点を当てる。 本稿では,MIR(Minimum Inconsistency Relation)とMCR(Maximal Consistency Relation)の2つの概念を提案する。 それぞれの MIR は不整合をもたらす変数発生に関する最小同値関係であり、一方、各 MCR は不整合を防止するために設計された最大同値関係である。 特に、MIRは最小の一貫性のないサブセットによって見落とされた競合を捉えている。 MCRを用いて, 一連の非爆発的推論関係を開発する。 主な戦略は、各MCRに従って命題ベースを変更することによって一貫性を回復し、続いて導出結論に対する古典的推論関係を採用することである。 さらに,変数自体の代わりに真理値を変数発生に割り当てる特異な意味論を提案する。 関連する推論関係は、発生に基づくモデルと互換性のあるブール解釈によって確立される。

関連論文リスト

• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• Rethinking the Evaluation of Unbiased Scene Graph Generation [31.041074897404236]
  シーングラフ生成(SGG)手法は、頻繁な述語カテゴリを予測し、稀なカテゴリを認識できない傾向にある。 最近の研究では、偏見のないSGGに焦点が当てられ、Recall@Kを主要な評価基準として採用している。 Independent Mean Recall(IMR)とheighted IMR(wIMR)の2つの相補的評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-03T08:23:51Z)
• Causal Inference Through the Structural Causal Marginal Problem [17.91174054672512]
  本稿では,複数のデータセットからの情報をマージする手法を提案する。 応答関数の定式化による分類的SCMに対するこのアプローチの形式化と,それが許容される辺縁および関節SCMの空間を減少させることを示す。
  論文  参考訳（メタデータ） (2022-02-02T21:45:10Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Conditional canonical correlation estimation based on covariates with random forests [0.0]
  本研究では,2つの変数間の条件付き正準相関を推定するRFCCAを用いたランダムフォレスト(Random Forest)を提案する。 提案手法と大域的意義試験は,精度の高い正準相関推定とよく制御されたType-1誤差を提供するシミュレーション研究によって評価される。
  論文  参考訳（メタデータ） (2020-11-23T17:09:46Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)
• Normalizing Compositional Structures Across Graphbanks [67.7047900945161]
  本稿では,MR間の相違を組成レベルで正規化する手法を提案する。 我々の研究はMRの合成構造におけるマッチングを著しく向上させ、マルチタスク学習を改善する。
  論文  参考訳（メタデータ） (2020-04-29T14:35:50Z)

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。