Fugu-MT 論文翻訳(概要): ReFRAME or Remain: Unsupervised Lexical Semantic Change Detection with Frame Semantics

論文の概要: ReFRAME or Remain: Unsupervised Lexical Semantic Change Detection with Frame Semantics

arxiv url: http://arxiv.org/abs/2602.04514v1
Date: Wed, 04 Feb 2026 13:00:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-05 19:45:11.530185
Title: ReFRAME or Remain: Unsupervised Lexical Semantic Change Detection with Frame Semantics
Title（参考訳）: ReFRAME または Remain:フレームセマンティックによる教師なし語彙意味変化検出
Authors: Bach Phan-Tat, Kris Heylen, Dirk Geeraerts, Stefano De Pascale, Dirk Speelman,
Abstract要約: 本研究では,フレームのセマンティクスに基づく意味変化検出手法を開発した。本手法は意味変化の検出に有効であり,多くの分布意味モデルよりも優れていることを示す。
参考スコア（独自算出の注目度）: 1.1340133299604382
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The majority of contemporary computational methods for lexical semantic change (LSC) detection are based on neural embedding distributional representations. Although these models perform well on LSC benchmarks, their results are often difficult to interpret. We explore an alternative approach that relies solely on frame semantics. We show that this method is effective for detecting semantic change and can even outperform many distributional semantic models. Finally, we present a detailed quantitative and qualitative analysis of its predictions, demonstrating that they are both plausible and highly interpretable
Abstract（参考訳）: 語彙的意味変化(LSC)検出のための現代の計算手法の大半は、ニューラルネットワークの分布表現に基づいている。これらのモデルはLCCベンチマークでよく機能するが、それらの結果は解釈が難しいことが多い。フレームのセマンティクスにのみ依存する代替手法を探究する。本手法は意味変化の検出に有効であり,多くの分布意味モデルよりも優れていることを示す。最後に,その予測の定量的かつ定性的な分析を行い,その妥当性と高い解釈性を示す。

関連論文リスト

Transparent Semantic Change Detection with Dependency-Based Profiles [1.1340133299604382]
単語の依存性共起パターンを純粋に依存する代替手法について検討する。意味的変化の検出には有効であることを示すとともに,多くの分布意味モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2026-01-06T10:25:36Z)
Improving Semantic Uncertainty Quantification in LVLMs with Semantic Gaussian Processes [60.75226150503949]
本稿では,解答埋め込みの幾何学的構造を解析し,意味的不確実性を定量化するベイズ的枠組みを提案する。 S GPUは、生成した回答を密接なセマンティック空間にマッピングし、セマンティック埋め込みのグラム行列を計算し、セマンティック構成を要約する。我々は,SGPUがモデルとモダリティをまたいで転送されることを示し,そのスペクトル表現が意味的不確実性の一般的なパターンを捉えていることを示す。
論文参考訳（メタデータ） (2025-12-16T08:15:24Z)
MASCOTS: Model-Agnostic Symbolic COunterfactual explanations for Time Series [4.664512594743523]
モデルに依存しない方法で有意義で多様な対実観測を生成するMASCOTSを導入する。シンボリックな特徴空間で操作することで、MASCOTSは元のデータとモデルへの忠実さを維持しながら解釈可能性を高める。
論文参考訳（メタデータ） (2025-03-28T12:48:12Z)
Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-05T16:35:30Z)
Semantic-aware Contrastive Learning for More Accurate Semantic Parsing [32.74456368167872]
そこで本研究では,意味表現の微粒化を学習できる意味認識型コントラスト学習アルゴリズムを提案する。 2つの標準データセットの実験により、我々の手法はMLEベースラインよりも大幅に改善されていることが示された。
論文参考訳（メタデータ） (2023-01-19T07:04:32Z)
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)
Grammatical Profiling for Semantic Change Detection [6.3596637237946725]
文法的プロファイリングを意味変化検出の代替手法として用いている。意味的変化の検出に使用することができ、また、いくつかの分布的意味的手法よりも優れていることを実証する。
論文参考訳（メタデータ） (2021-09-21T18:38:18Z)
A comprehensive comparative evaluation and analysis of Distributional Semantic Models [61.41800660636555]
我々は、静的DSMによって生成されたり、BERTによって生成された文脈化されたベクトルを平均化して得られるような、型分布ベクトルの包括的評価を行う。その結果、予測ベースモデルの優越性は現実よりも明らかであり、ユビキタスではないことが明らかとなった。我々は認知神経科学からRepresentational similarity Analysis(RSA)の方法論を借りて、分布モデルによって生成された意味空間を検査する。
論文参考訳（メタデータ） (2021-05-20T15:18:06Z)
SChME at SemEval-2020 Task 1: A Model Ensemble for Detecting Lexical Semantic Change [58.87961226278285]
本稿では,SemEval-2020 Task 1における語彙意味変化の教師なし検出法であるSChMEについて述べる。 SChMEは、分布モデル(単語埋め込み)とワード周波数モデルの信号を組み合わせたモデルアンサンブルを使用し、各モデルは、その特徴に応じて単語が苦しむ確率を示す投票を行う。
論文参考訳（メタデータ） (2020-12-02T23:56:34Z)

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。