論文の概要: Semantic Centroids and Hierarchical Density-Based Clustering for Cross-Document Software Coreference Resolution

• arxiv url: http://arxiv.org/abs/2603.24246v1
• Date: Wed, 25 Mar 2026 12:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.289487
• Title: Semantic Centroids and Hierarchical Density-Based Clustering for Cross-Document Software Coreference Resolution
• Title（参考訳）: クロスドキュメントソフトウェア照合解決のためのセマンティックセントロイドと階層密度に基づくクラスタリング
• Authors: Julia Matela, Frank Krüger,
• Abstract要約: 本稿では,SOMD 2026 に提出されたソフトウェア言及のクロスドキュメント参照解決のための共有タスク(CDCR)について述べる。 我々のアプローチは、科学的コーパス間で言及される一貫性のないソフトウェアを特定し、クラスタ化するという課題に対処する。 CoNLL F1スコアは、それぞれ1, 2, 3で0.98, 0.98, 0.96を記録した。
• 参考スコア（独自算出の注目度）: 0.12891210250935145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the system submitted to the SOMD 2026 Shared Task for Cross-Document Coreference Resolution (CDCR) of software mentions. Our approach addresses the challenge of identifying and clustering inconsistent software mentions across scientific corpora. We propose a hybrid framework that combines dense semantic embeddings from a pre-trained Sentence-BERT model, Knowledge Base (KB) lookup strategy built from training-set cluster centroids using FAISS for efficient retrieval, and HDBSCAN density-based clustering for mentions that cannot be confidently assigned to existing clusters. Surface-form normalization and abbreviation resolution are applied to improve canonical name matching. The same core pipeline is applied to Subtasks 1 and 2. To address the large scale settings of Subtask 3, the pipeline was adapted by utilising a blocking strategy based on entity types and canonicalized surface forms. Our system achieved CoNLL F1 scores of 0.98, 0.98, and 0.96 on Subtasks 1, 2, and 3 respectively.
• Abstract（参考訳）: 本稿では,SOMD 2026 に提出されたソフトウェア言及のクロスドキュメント参照解決のための共有タスク(CDCR)について述べる。 我々のアプローチは、科学的コーパス間で言及される一貫性のないソフトウェアを特定し、クラスタ化するという課題に対処する。 本稿では,事前学習したセンテンス-BERTモデルからの密接なセマンティック埋め込みと,FAISSを用いた学習セットクラスタセントロイドから構築した知識ベース(KB)ルックアップ戦略と,既存のクラスタに確実に割り当てられない参照のためのHDBSCAN密度クラスタリングを組み合わせたハイブリッドフレームワークを提案する。 表面形状の正規化と省略分解能を適用して、標準名マッチングを改善する。 同じコアパイプラインがSubtask 1と2に適用される。 Subtask 3の大規模な設定に対処するため、パイプラインはエンティティタイプと標準化されたサーフェスフォームに基づいたブロッキング戦略を利用した。 サブタスク1,2,3では,CoNLL F1スコアが0.98,0.98,0.96となった。

関連論文リスト

• MacNet: An End-to-End Manifold-Constrained Adaptive Clustering Network for Interpretable Whole Slide Image Classification [9.952997875404634]
  クラスタリングに基づくアプローチは、説明可能な意思決定プロセスを提供するが、高次元の特徴と意味的にあいまいなセントロイドに悩まされる。 本稿では、グラスマン再埋め込みと多様体適応クラスタリングを統合したエンドツーエンドMILフレームワークを提案する。 マルチセントのWSIデータセットの実験では、1) クラスタを組み込んだモデルは、グレーディング精度と解釈可能性の両方において優れたパフォーマンスを実現し、2) エンドツーエンドの学習は、より良い特徴表現を洗練し、許容できるリソースを必要とします。
  論文  参考訳（メタデータ） (2026-02-16T06:43:36Z)
• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• A Dynamic Framework for Semantic Grouping of Common Data Elements (CDE) Using Embeddings and Clustering [0.782496834711349]
  本研究の目的は、異種バイオメディカルデータセット間の共通データ要素(CDE)の調和を容易にする動的でスケーラブルなフレームワークを開発することである。 本手法では,CDEを意味的関係やパターンをキャプチャする高密度ベクトルに変換するコンテキスト対応テキスト埋め込みに,Large Language Models (LLMs) を利用する。
  論文  参考訳（メタデータ） (2025-06-02T18:43:37Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• Hierarchical clustering with maximum density paths and mixture models [44.443538161979056]
  t-NEBは確率的に基底化された階層的クラスタリング法である。 自然な高次元データに対して最先端のクラスタリング性能が得られる。
  論文  参考訳（メタデータ） (2025-03-19T15:37:51Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• CPN: Complementary Proposal Network for Unconstrained Text Detection [7.524080426954018]
  本稿では,セマンティックおよび幾何学的情報をシームレスに統合し,優れた性能を実現する補完的提案ネットワークを提案する。 補完的な提案と特徴の両方を活用することで、CPNは同等のコストで最先端のアプローチよりも優れたマージンを持つ。
  論文  参考訳（メタデータ） (2024-02-18T10:43:53Z)
• Revisiting Foreground and Background Separation in Weakly-supervised Temporal Action Localization: A Clustering-based Approach [48.684550829098534]
  弱教師付き時間的アクションローカライゼーションは、アクションインスタンスをビデオレベルのアクションラベルのみでローカライズすることを目的としている。 クラスタリングに基づく新しいF&B分離アルゴリズムを提案する。 我々は,THUMOS14,ActivityNet v1.2,v1.3の3つのベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2023-12-21T18:57:12Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• A Framework for Joint Unsupervised Learning of Cluster-Aware Embedding for Heterogeneous Networks [6.900303913555705]
  Heterogeneous Information Network (HIN) は、HINの構造と意味を保存しているHINノードの低次元投影を指す。 本稿では,クラスタ埋め込みとクラスタ認識HIN埋め込みの併用学習を提案する。
  論文  参考訳（メタデータ） (2021-08-09T11:36:36Z)

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。