論文の概要: Semantic Distance Measurement based on Multi-Kernel Gaussian Processes

• arxiv url: http://arxiv.org/abs/2512.12238v1
• Date: Sat, 13 Dec 2025 08:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.179944
• Title: Semantic Distance Measurement based on Multi-Kernel Gaussian Processes
• Title（参考訳）: マルチカーネルガウス過程に基づく意味距離測定
• Authors: Yinzhu Cheng, Haihua Xie, Yaqing Wang, Miao He, Mingming Sun,
• Abstract要約: 意味距離 (semantic distance) とは、テキストの空間またはそれらに由来する表現空間上で定義される計量である。 本稿では,マルチカーネルガウス過程(MK-GP)に基づく意味距離尺度を提案する。 実験の結果,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 7.722282116495228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic distance measurement is a fundamental problem in computational linguistics, providing a quantitative characterization of similarity or relatedness between text segments, and underpinning tasks such as text retrieval and text classification. From a mathematical perspective, a semantic distance can be viewed as a metric defined on a space of texts or on a representation space derived from them. However, most classical semantic distance methods are essentially fixed, making them difficult to adapt to specific data distributions and task requirements. In this paper, a semantic distance measure based on multi-kernel Gaussian processes (MK-GP) was proposed. The latent semantic function associated with texts was modeled as a Gaussian process, with its covariance function given by a combined kernel combining Matérn and polynomial components. The kernel parameters were learned automatically from data under supervision, rather than being hand-crafted. This semantic distance was instantiated and evaluated in the context of fine-grained sentiment classification with large language models under an in-context learning (ICL) setup. The experimental results demonstrated the effectiveness of the proposed measure.
• Abstract（参考訳）: 意味的距離測定は、計算言語学の基本的な問題であり、テキストセグメント間の類似性や関連性の定量的評価を提供し、テキスト検索やテキスト分類などの基礎となるタスクを提供する。 数学的観点では、意味的距離は、テキストの空間またはそれらに由来する表現空間上で定義される計量として見ることができる。 しかし、ほとんどの古典的な意味的距離法は基本的に固定されており、特定のデータ分布やタスク要求に適応することが困難である。 本稿では,マルチカーネルガウス過程(MK-GP)に基づく意味距離尺度を提案する。 テキストに関連する潜在意味関数はガウス過程としてモデル化され、その共分散関数はマテランと多項式成分を組み合わせたカーネルによって与えられる。 カーネルパラメータは手作りではなく、監督下のデータから自動的に学習される。 この意味的距離は、文脈内学習(ICL)設定下において、大きな言語モデルを用いた微粒な感情分類の文脈でインスタンス化され評価された。 実験の結果,提案手法の有効性が示された。

関連論文リスト

• Categorical Data Clustering via Value Order Estimated Distance Metric Learning [53.28598689867732]
  本稿では,分類属性を直感的に表現する新しい順序距離計量学習手法を提案する。 新しい共同学習パラダイムが開発され、クラスタリングとオーダー距離メートル法学習の代替となる。 提案手法は分類および混合データセットのクラスタリング精度に優れる。
  論文  参考訳（メタデータ） (2024-11-19T08:23:25Z)
• Symmetry Discovery for Different Data Types [52.2614860099811]
  等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。 本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。 我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-13T13:39:39Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• Contextualized Semantic Distance between Highly Overlapped Texts [85.1541170468617]
  テキスト編集や意味的類似性評価といった自然言語処理タスクにおいて、ペア化されたテキストに重複が頻繁に発生する。 本稿では,マスク・アンド・予測戦略を用いてこの問題に対処することを目的とする。 本稿では,最も長い単語列の単語を隣接する単語とみなし,その位置の分布を予測するためにマスク付き言語モデリング(MLM)を用いる。 セマンティックテキスト類似性の実験では、NDDは様々な意味的差異、特に高い重なり合うペアテキストに対してより敏感であることが示されている。
  論文  参考訳（メタデータ） (2021-10-04T03:59:15Z)
• EDS-MEMBED: Multi-sense embeddings based on enhanced distributional semantic structures via a graph walk over word senses [0.0]
  WordNetの豊富なセマンティック構造を活用して、マルチセンス埋め込みの品質を高めます。 M-SEの新たな分布意味類似度測定法を先行して導出する。 WSDとWordの類似度タスクを含む11のベンチマークデータセットの評価結果を報告します。
  論文  参考訳（メタデータ） (2021-02-27T14:36:55Z)
• Automated Discovery of Mathematical Definitions in Text with Deep Neural Networks [6.172021438837204]
  本稿では,数学的テキストにおける一文定義の自動検出に着目する。 畳み込みニューラルネットワーク(CNN)やLong Short-Term Memory Network(LSTM)などのディープラーニング手法を適用した。 また、数学的テキストから定義を抽出するための新しいデータセットも提示する。
  論文  参考訳（メタデータ） (2020-11-09T15:57:53Z)
• Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
  セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。 グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。 計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-03-23T12:28:07Z)

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。