Fugu-MT 論文翻訳(概要): Hierarchical Bracketing Encodings Work for Dependency Graphs

論文の概要: Hierarchical Bracketing Encodings Work for Dependency Graphs

arxiv url: http://arxiv.org/abs/2509.09388v1
Date: Thu, 11 Sep 2025 12:08:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-12 16:52:24.374139
Title: Hierarchical Bracketing Encodings Work for Dependency Graphs
Title（参考訳）: 階層的ブラケットは依存性グラフの処理を符号化する
Authors: Ana Ezquerro, Carlos Gómez-Rodríguez, David Vilares,
Abstract要約: 依存関係グラフ解析の文脈における実践的な視点から階層的ブラケット符号化を再考する。このアプローチはグラフをシーケンスとしてエンコードし、$n$タグ付けアクションで線形時間解析を可能にする。提案手法を多言語および多形式性ベンチマークで評価し, 一致精度において, 競合する結果と他の手法よりも一貫した改善点を示す。
参考スコア（独自算出の注目度）: 9.660348625678001
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We revisit hierarchical bracketing encodings from a practical perspective in the context of dependency graph parsing. The approach encodes graphs as sequences, enabling linear-time parsing with $n$ tagging actions, and still representing reentrancies, cycles, and empty nodes. Compared to existing graph linearizations, this representation substantially reduces the label space while preserving structural information. We evaluate it on a multilingual and multi-formalism benchmark, showing competitive results and consistent improvements over other methods in exact match accuracy.
Abstract（参考訳）: 依存関係グラフ解析の文脈における実践的な視点から階層的ブラケット符号化を再考する。このアプローチはグラフをシーケンスとしてエンコードし、$n$タグアクションによる線形時間解析を可能にし、それでも再帰性、サイクル、空のノードを表現している。既存のグラフ線形化と比較すると、この表現は構造情報を保存しながらラベル空間を大幅に減少させる。提案手法を多言語および多形式性ベンチマークで評価し, 一致精度において, 競合する結果と他の手法よりも一貫した改善点を示す。

関連論文リスト

Symbolic Graph Intelligence: Hypervector Message Passing for Learning Graph-Level Patterns with Tsetlin Machines [0.0]
一般グラフ分類のための多層的シンボルフレームワークを提案する。各グラフは構造化メッセージパッシングを通じて符号化され、ノード、エッジ、属性情報は束縛され、シンボリックハイパーベクターにバンドルされる。本手法をTUDatasetベンチマークで検証し,ニューラルグラフモデルと比較して強力なシンボル透過性を持つ競合精度を示す。
論文参考訳（メタデータ） (2025-07-22T12:47:56Z)
Dependency Graph Parsing as Sequence Labeling [18.079016557290338]
我々は、グラフ解析をタグ付けタスクとしてキャストするのに使用できる、非有界および有界な線形化の範囲を定義する。セマンティック依存関係とUD解析の強化に関する実験結果から, シーケンスラベル依存グラフは, 符号化の優れた選択により, 高い効率性と, 最先端の精度を両立させることがわかった。
論文参考訳（メタデータ） (2024-10-23T15:37:02Z)
Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views [1.4445779250002606]
本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
論文参考訳（メタデータ） (2023-08-19T17:42:02Z)
Robust Attributed Graph Alignment via Joint Structure Learning and Optimal Transport [26.58964162799207]
本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
論文参考訳（メタデータ） (2023-01-30T08:41:36Z)
FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文参考訳（メタデータ） (2022-04-13T16:45:33Z)
GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文参考訳（メタデータ） (2022-02-08T14:19:19Z)
LAGr: Labeling Aligned Graphs for Improving Systematic Generalization in Semantic Parsing [6.846638912020957]
グラフとしてではなく,直接表現として表現することによって,より優れた体系的一般化を実現することができることを示す。完全多層入力整列グラフに対して,ノードラベルとエッジラベルを予測して意味解析を生成できるラベル付きグラフアルゴリズム LAGr を提案する。
論文参考訳（メタデータ） (2021-10-14T17:37:04Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文参考訳（メタデータ） (2020-12-31T18:17:57Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。