論文の概要: Transparent Semantic Spaces: A Categorical Approach to Explainable Word Embeddings
- arxiv url: http://arxiv.org/abs/2508.20701v1
- Date: Thu, 28 Aug 2025 12:19:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.37634
- Title: Transparent Semantic Spaces: A Categorical Approach to Explainable Word Embeddings
- Title（参考訳）: 透明意味空間:説明可能な単語埋め込みへのカテゴリ的アプローチ
- Authors: Ares Fabregat-Hernández, Javier Palanca, Vicent Botti,
- Abstract要約: 本稿では,人工知能システムの説明可能性を高めるために,カテゴリ理論に基づく新しい枠組みを提案する。
主なトピックは、$ L_T $ と $ P_T $ の構成で、テキストの意味論のスキーマ表現を提供する。
- 参考スコア（独自算出の注目度）: 0.7200655637873443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper introduces a novel framework based on category theory to enhance the explainability of artificial intelligence systems, particularly focusing on word embeddings. Key topics include the construction of categories $ \L_{T} $ and $ \P_{T} $, providing schematic representations of the semantics of a text $ T $, and reframing the selection of the element with maximum probability as a categorical notion. Additionally, the monoidal category $ \P_{T} $ is constructed to visualize various methods of extracting semantic information from $ T $, offering a dimension-agnostic definition of semantic spaces reliant solely on information within the text. Furthermore, the paper defines the categories of configurations $ \Conf $ and word embeddings $ \Emb $, accompanied by the concept of divergence as a decoration on $ \Emb $. It establishes a mathematically precise method for comparing word embeddings, demonstrating the equivalence between the GloVe and Word2Vec algorithms and the metric MDS algorithm, transitioning from neural network algorithms (black box) to a transparent framework. Finally, the paper presents a mathematical approach to computing biases before embedding and offers insights on mitigating biases at the semantic space level, advancing the field of explainable artificial intelligence.
- Abstract（参考訳）: 本稿では,特に単語埋め込みに着目した,人工知能システムの説明可能性を高めるためのカテゴリ理論に基づく新しい枠組みを提案する。
主なトピックは、$ \L_{T} $ と $ \P_{T} $ の構成、テキスト $ T のセマンティクスのスキーマ表現の提供、そしてカテゴリの概念として最大確率で要素の選択を反映することである。
さらに、モノイド圏 $ \P_{T} $ は、テキスト内の情報のみに依存する意味空間の次元に依存しない定義を提供する、$ T $ から意味情報を抽出する様々な方法を視覚化するために構築される。
さらに、コンフィグレーションのカテゴリを$ \Conf $ と word embeddings $ \Emb $ と定義し、それには $ \Emb $ の装飾としての発散の概念が伴う。
ワード埋め込みを比較する数学的に正確な方法を確立し、GloVeアルゴリズムとWord2VecアルゴリズムとメトリクスMDSアルゴリズムの等価性を実証し、ニューラルネットワークアルゴリズム(ブラックボックス)から透過的なフレームワークに移行する。
最後に、埋め込み前にバイアスを計算するための数学的アプローチを提案し、意味空間レベルでバイアスを緩和する洞察を与え、説明可能な人工知能の分野を前進させる。
関連論文リスト
- Disentangling Latent Embeddings with Sparse Linear Concept Subspaces (SLiCS) [2.7255100506777894]
CLIPのようなビジョン言語の共同埋め込みネットワークは、セマンティック情報を備えた潜在的な埋め込み空間を提供する。
本稿では,ベクトル群の疎結合,非負結合からなる線形合成モデルを推定するための教師付き辞書学習手法を提案する。
スパース線形概念部分空間(SLiCS)によって提供される不整合埋め込みにより,概念フィルタリング画像の検索が可能となることを示す。
論文 参考訳（メタデータ） (2025-08-27T23:39:42Z) - Alpay Algebra V: Multi-Layered Semantic Games and Transfinite Fixed-Point Simulation [0.0]
本稿では,Alpay Algebraの自己参照フレームワークを多層セマンティックゲームアーキテクチャに拡張する。
我々は,AIシステムと文書のアライメントプロセスがメタゲームとなるネスト型ゲーム理論構造を導入する。
我々は,現実的な認知シミュレーションの仮定の下で意味均衡の存在と特異性を確立するゲーム理論を証明した。
論文 参考訳（メタデータ） (2025-07-10T15:48:23Z) - Towards Generalized and Training-Free Text-Guided Semantic Manipulation [123.80467566483038]
テキスト誘導意味操作は、ソースプロンプトから生成された画像をセマンティックに編集し、ターゲットプロンプトにマッチさせる。
本稿では,テキスト案内型セマンティック操作のための新しい$textitGTF$を提案する。
本実験は,本手法の有効性を実証し,セマンティックス操作の最先端化の可能性を強調した。
論文 参考訳（メタデータ） (2025-04-24T05:54:56Z) - Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation [50.05281461410368]
OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。
本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-11T22:27:51Z) - Interpreting Embedding Spaces by Conceptualization [2.620130580437745]
本稿では,埋め込み空間を理解可能な概念空間に変換することによって,埋め込みを理解する新しい方法を提案する。
本研究では,人間のレーダやLDMをベースとしたレーダを用いた新しい評価手法を考案し,ベクトルが本来の潜伏状態のセマンティクスを実際に表現していることを示す。
論文 参考訳（メタデータ） (2022-08-22T15:32:17Z) - Reasoning in the Description Logic ALC under Category Semantics [0.0]
本稿では、一般的な TBox を用いて記述論理 $mathcalALC$ の通常の集合論的意味論を分類言語を用いて再構成する。
この設定では、$mathcalALC$の概念はオブジェクトとして、概念の仮定は矢印として、メンバシップはオブジェクトとカテゴリの矢印上の論理量化子として表現される。
論文 参考訳（メタデータ） (2022-05-10T14:03:44Z) - Unsupervised Semantic Segmentation by Distilling Feature Correspondences [94.73675308961944]
教師なしセマンティックセグメンテーション(unsupervised semantic segmentation)は、アノテーションなしで画像コーパス内の意味論的意味のあるカテゴリを発見し、ローカライズすることを目的としている。
STEGOは、教師なし特徴を高品質な個別のセマンティックラベルに蒸留する新しいフレームワークである。
STEGOは、CocoStuffとCityscapesの両課題において、先行技術よりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-03-16T06:08:47Z) - TopicNet: Semantic Graph-Guided Topic Discovery [51.71374479354178]
既存の階層的なトピックモデルでは、教師なしの方法でテキストコーパスから意味論的意味のあるトピックを抽出することができる。
TopicNetを階層的なトピックモデルとして導入し、学習に影響を与えるための帰納的バイアスとして、事前構造知識を注入する。
論文 参考訳（メタデータ） (2021-10-27T09:07:14Z) - Top2Vec: Distributed Representations of Topics [0.0]
トピックモデリングは、文書の大規模なコレクションにおいて潜在意味構造(通常トピックと呼ばれる)を発見するのに使用される。
共同文書と単語セマンティック埋め込みを利用してトピックを検索するtexttttop2vec$を提示する。
実験の結果, $texttttop2vec$ は確率的生成モデルよりも, 学習したコーパスの有意に情報的, 代表的なトピックを見つけることができた。
論文 参考訳（メタデータ） (2020-08-19T20:58:27Z)
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。