Fugu-MT 論文翻訳(概要): A Multi-Axial Mindset for Ontology Design Lessons from Wikidata's Polyhierarchical Structure

論文の概要: A Multi-Axial Mindset for Ontology Design Lessons from Wikidata's Polyhierarchical Structure

arxiv url: http://arxiv.org/abs/2512.12260v1
Date: Sat, 13 Dec 2025 09:59:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-16 17:54:56.187157
Title: A Multi-Axial Mindset for Ontology Design Lessons from Wikidata's Polyhierarchical Structure
Title（参考訳）: ウィキデータ多階層構造を用いたオントロジー設計学習のためのマルチ軸マインドセット
Authors: Ege Atacan Doğan, Peter F. Patel-Schneider,
Abstract要約: Wikidataは特定の基礎的な分類を強制していない。本稿では,Wikidataの多階層・多軸設計における構造的意味を考察する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional ontology design emphasizes disjoint and exhaustive top-level distinctions such as continuant vs. occurrent, abstract vs. concrete, or type vs. instance. These distinctions are used to structure unified hierarchies where every entity is classified under a single upper-level category. Wikidata, by contrast, does not enforce a singular foundational taxonomy. Instead, it accommodates multiple classification axes simultaneously under the shared root class entity. This paper analyzes the structural implications of Wikidata's polyhierarchical and multi-axial design. The Wikidata architecture enables a scalable and modular approach to ontology construction, especially suited to collaborative and evolving knowledge graphs.
Abstract（参考訳）: 従来のオントロジー設計では、連続性対出現率、抽象的対コンクリート、型対コンクリートといった、不連続で網羅的なトップレベルの区別が強調されている。これらの区別は、すべての実体が1つの上層圏の下に分類される統一階層を構成するために用いられる。対照的にWikidataは、特定の基礎的な分類を強制していない。代わりに、共有ルートクラスエンティティの下で複数の分類軸を同時に許容する。本稿では,Wikidataの多階層・多軸設計における構造的意味を考察する。 Wikidataアーキテクチャは、オントロジー構築に対するスケーラブルでモジュラーなアプローチを可能にし、特に協調的で進化した知識グラフに適している。

関連論文リスト

Hierarchical Graph Topic Modeling with Topic Tree-based Transformer [35.554979581137296]
本稿では,文書内のトピック階層と文書間のグラフ階層を統合する階層型グラフトピックモデリング変換器を提案する。話題とグラフの階層性の両方を保存するため,ハイパーボリック空間におけるモデルの設計と,ハイパーボリックダブルリカレントニューラルネットワークの提案を行う。教師なし実験と教師なし実験の両方が、我々のモデルの有効性を検証する。
論文参考訳（メタデータ） (2025-02-17T01:55:29Z)
Data-driven Coreference-based Ontology Building [48.995395445597225]
参照解決は、伝統的に個々の文書理解のコンポーネントとして使用される。よりグローバルな視点で、すべてのドキュメントレベルのコア参照関係から、ドメインについて何が学べるかを探求します。コードとともに、クリエイティブ・コモンズライセンスの下でコア参照チェーンをリリースします。
論文参考訳（メタデータ） (2024-10-22T14:30:40Z)
SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
論文参考訳（メタデータ） (2024-06-13T02:35:55Z)
Leveraging Collection-Wide Similarities for Unsupervised Document Structure Extraction [61.998789448260005]
本稿では,コレクション内の文書の典型的構造を特定することを提案する。任意のヘッダのパラフレーズを抽象化し、各トピックを各ドキュメントのロケーションにグルーピングします。文書間の類似性を利用した教師なしグラフベース手法を開発した。
論文参考訳（メタデータ） (2024-02-21T16:22:21Z)
SpaDeLeF: A Dataset for Hierarchical Classification of Lexical Functions for Collocations in Spanish [6.9454683800956705]
スペイン語の動詞・名詞のコロケーションと文の出現頻度が最も高いデータセットを提示する。各コロケーションは、階層分類タスクのクラスとして定義される37の語彙関数の1つに割り当てられる。木構造にクラスを結合し,構造レベル毎に分類対象を導入する。
論文参考訳（メタデータ） (2023-11-07T18:32:34Z)
Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文参考訳（メタデータ） (2022-01-21T09:01:12Z)
Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
論文参考訳（メタデータ） (2021-01-26T08:19:03Z)
Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文参考訳（メタデータ） (2020-09-12T17:36:53Z)
Equivariant Maps for Hierarchical Structures [17.931059591895984]
階層構造の対称性は、ビルディングブロックの対称性の「死積」であることを示す。点雲を酸化することにより、データに翻訳と置換の対称性の階層を課す。私たちは、Semantic3D、S3DIS、vKITTIに関する最新の技術について報告します。
論文参考訳（メタデータ） (2020-06-05T18:42:12Z)
Classifying Wikipedia in a fine-grained hierarchy: what graphs can contribute [0.5530212768657543]
我々は、ウィキペディアを細かな名前付きエンティティオントロジー(NE)に分類するために、グラフ(構造)情報を統合するタスクに対処する。日本語ウィキペディアから抽出した22,000ページのサブセットを手作業でラベル付けして,大規模な実践実験を行う。この結果から,グラフ情報の統合は,入力特徴空間の空白度を低減することに成功し,従来の作業と同等かそれ以上の分類結果が得られることがわかった。
論文参考訳（メタデータ） (2020-01-21T14:19:49Z)

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。