論文の概要: Domain-constrained knowledge representation: A modal framework
- arxiv url: http://arxiv.org/abs/2604.01770v1
- Date: Thu, 02 Apr 2026 08:37:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.620058
- Title: Domain-constrained knowledge representation: A modal framework
- Title（参考訳）: ドメイン制約付き知識表現:モダルフレームワーク
- Authors: Chao Li, Yuru Wang, Chunyi Zhao,
- Abstract要約: 本稿では、補助的なアノテーションとしてではなく、知識表現の一部としてドメインを扱うべきであると論じる。
Domain-Contextualized Concept Graph (DCG)は、ドメインが関係に書き込まれ、モダルワールド制約として解釈されるフレームワークである。
- 参考スコア（独自算出の注目度）: 3.2772126207274552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graphs store large numbers of relations efficiently, but they remain weak at representing a quieter difficulty: the meaning of a concept often shifts with the domain in which it is used. A triple such as Apple, instance-of, Company may be acceptable in one setting while being misleading or unusable in another. In most current systems, domain information is attached as metadata, qualifiers, or graph-level organization. These mechanisms help with filtering and provenance, but they usually do not alter the formal status of the assertion itself. This paper argues that domain should be treated as part of knowledge representation rather than as supplementary annotation. It introduces the Domain-Contextualized Concept Graph (DCG), a framework in which domain is written into the relation and interpreted as a modal world constraint. In the DCG form (C, R at D, C'), the marker at D identifies the world in which the relation holds. Formally, the relation is interpreted through a domain-indexed necessity operator, so that truth, inference, and conflict checking are all scoped to the relevant world. This move has three consequences: ambiguous concepts can be disambiguated at the point of representation; invalid assertions can be challenged against their domain; cross-domain relations can be connected through explicit predicates. The paper develops this claim through a Kripke-style semantics, a compact predicate system, a Prolog implementation, and mappings to RDF, OWL, and relational databases. The contribution is a representational reinterpretation of domain itself. The central claim is that many practical failures in knowledge systems begin when domain is treated as external to the assertion. DCG addresses that by giving domain a structural and computable role inside the representation.
- Abstract（参考訳）: 知識グラフは、多くの関係を効率的に保存するが、それらはより静かな困難を表現するために弱いままである。
Apple, instance-of, Companyのようなトリプルは、ある設定では受け入れられるが、別の設定では誤解を招くか、利用できない。
ほとんどの現在のシステムでは、ドメイン情報はメタデータ、修飾子、グラフレベルの組織としてアタッチされる。
これらのメカニズムはフィルタリングや証明に役立つが、通常はアサーション自体の正式なステータスを変更することはない。
本稿では、補助的なアノテーションとしてではなく、知識表現の一部としてドメインを扱うべきであると論じる。
Domain-Contextualized Concept Graph (DCG)は、ドメインが関係に書き込まれ、モダルワールド制約として解釈されるフレームワークである。
DCG形式(C, R at D, C')では、D のマーカーは関係が持つ世界を特定する。
形式的には、関係はドメインインデクシングされた必要条件演算子を通して解釈されるので、真理、推論、コンフリクトチェックはすべて関連する世界に限定される。
曖昧な概念は表現の点で曖昧にすることができる; 無効な主張はドメインに対して挑戦できる; ドメイン間の関係は明示的な述語を通して接続できる。
本稿では,この主張を,Kripkeスタイルのセマンティクス,コンパクトな述語システム,Prologの実装,RDF,OWL,リレーショナルデータベースへのマッピングを通じて展開する。
この貢献はドメイン自体の表現的再解釈である。
中心的な主張は、知識システムにおける多くの実践的な失敗は、ドメインがアサーションの外部として扱われることから始まる、ということである。
DCGはドメインに表現の中で構造的で計算可能な役割を与える。
関連論文リスト
- Cross-Domain Policy Adaptation by Capturing Representation Mismatch [53.087413751430255]
強化学習(RL)において、動的に異なる領域に移行できる効果的な政策を学ぶことが不可欠である。
本稿では、ソースドメインとターゲットドメインとの間に動的ミスマッチが存在する場合の動的適応設定について考察する。
対象領域でのみ表現学習を行い、ソース領域からの遷移における表現偏差を測定する。
論文 参考訳（メタデータ） (2024-05-24T09:06:12Z) - Domain-Agnostic Mutual Prompting for Unsupervised Domain Adaptation [27.695825570272874]
従来のUnsupervised Domain Adaptation (UDA)は、ドメイン間の分散の差を最小限にしようと努力している。
ドメイン非依存型Multual Prompting (DAMP) を提案する。
3つのUDAベンチマークの実験は、最先端のアプローチよりもDAMPの方が優れていることを示した。
論文 参考訳（メタデータ） (2024-03-05T12:06:48Z) - A Unified Causal View of Domain Invariant Representation Learning [19.197022592928164]
トレーニング対象のドメインと異なるドメインにデプロイされた場合、マシンラーニングメソッドは信頼性が低い。
本稿では,異なる手法が相互にどのように関係し,それぞれの成功を期待する現実的状況を明らかにする。
論文 参考訳（メタデータ） (2022-08-15T03:08:58Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。
計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T11:09:29Z) - Domain-Class Correlation Decomposition for Generalizable Person
Re-Identification [34.813965300584776]
個人の再識別では、ドメインとクラスは相関する。
このドメイン・クラス間の相関関係により、ドメインの敵対的学習はクラスに関する特定の情報を失うことが示される。
我々のモデルは、大規模ドメイン一般化Re-IDベンチマークにおいて最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-06-29T09:45:03Z) - Prototypical Cross-domain Self-supervised Learning for Few-shot
Unsupervised Domain Adaptation [91.58443042554903]
FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。
PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。
最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
論文 参考訳（メタデータ） (2021-03-31T02:07:42Z) - Heuristic Domain Adaptation [105.59792285047536]
Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。
Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
論文 参考訳（メタデータ） (2020-11-30T04:21:35Z) - Respecting Domain Relations: Hypothesis Invariance for Domain
Generalization [30.14312814723027]
ドメインの一般化では、トレーニング中に複数のラベル付き非独立および非独立に分散されたソースドメインが利用可能である。
現在、いわゆるドメイン不変表現(DIR)を学ぶことは、ドメインの一般化に対する一般的なアプローチである。
論文 参考訳（メタデータ） (2020-10-15T08:26:08Z) - Addressing Zero-Resource Domains Using Document-Level Context in Neural
Machine Translation [80.40677540516616]
ドメイン内の並列データが利用できない場合、文書レベルのコンテキストへのアクセスにより、ドメインの一般性をよりよくキャプチャできることを示す。
文書レベルのトランスフォーマーモデルとして,大きなコンテキストサイズを利用できる2つのモデルを提案する。
論文 参考訳（メタデータ） (2020-04-30T16:28:19Z)
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。