論文の概要: GUT-IS: A Data-Driven Approach to Integrating Constructs and Their Relations in Information Systems

• arxiv url: http://arxiv.org/abs/2605.18567v1
• Date: Mon, 18 May 2026 15:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.923726
• Title: GUT-IS: A Data-Driven Approach to Integrating Constructs and Their Relations in Information Systems
• Title（参考訳）: GUT-IS:情報システムにおける構造と関連性の統合のためのデータ駆動型アプローチ
• Authors: Maximilian Reinhardt, Jonas Scharfenberger, Burkhardt Funk,
• Abstract要約: 本稿では,構造方程式モデルの統一モデルへの統合を目的としたアプローチを提案する。 タスク適応型テキスト埋め込みとクラスタリングを組み合わせることで,コンストラクトグループ化の候補セットを生成する。 クラスタ数の意味的純度とパーシモニーを明示的に交換するロス関数を用いて最適解を選択する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural equation modeling is widely used in IS research. However, inconsistent construct definitions impede the cumulative development of knowledge. In this work, we present an approach that aims at the integration of structural equation models into a unified model: We use a combination of task-adapted text embeddings and clustering to produce a candidate set of construct groupings. Subsequently, we select the optimal solution using a loss function that explicitly trades off semantic purity and parsimony in the number of clusters. By making this trade-off explicit, our approach allows to analyze how construct groupings and their relations change as one shifts the priority from purity to parsimony. Empirically, we evaluate and explore the proposed methodology on two datasets from the IS domain.
• Abstract（参考訳）: 構造方程式モデリングはIS研究で広く使われている。 しかし、一貫性のない構成定義は知識の累積的な発展を妨げる。 本研究では,構造方程式モデルを統一モデルに統合することを目的としたアプローチを提案する。 その後、クラスタ数の意味的純度とパーシモニーを明示的に交換するロス関数を用いて最適解を選択する。 このトレードオフを明確にすることで,提案手法は,構成的グループ化とその関係性がどのように変化するかを分析することができる。 実験により,IS領域からの2つのデータセットについて提案手法の評価と検討を行った。

関連論文リスト

• Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers [0.26999000177990923]
  本研究は,条件付き条件グラフに基づく構造認識型ロバストネス・ウンタファクト探索手法を提案する。 結果から,本手法は,特に安定な依存関係を提供する元の定式化を直接最適化することにより,強い整合性を実現することが示された。 提案手法は,非循環的制約下での非実効的推論における今後の進歩の基盤となる。
  論文  参考訳（メタデータ） (2026-02-08T15:51:45Z)
• Structure-Aware Decoding Mechanisms for Complex Entity Extraction with Large-Scale Language Models [8.15127799301814]
  本稿では,大規模言語モデルに基づく構造認識復号法を提案する。 ネストおよび重複するエンティティ抽出タスクにおいて、意味的整合性と構造的整合性の両方を維持することの難しさに対処する。 ACE 2005データセットで実施された実験では、精度、精度、リコール、F1-Scoreが大幅に改善された。
  論文  参考訳（メタデータ） (2025-12-16T00:40:06Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Graph Topic Modeling for Documents with Spatial or Covariate Dependencies [0.9208007322096533]
  文書レベルのメタデータをトピックモデリングに組み込むという課題に対処する。 高速グラフ正規化反復特異値分解に基づく新しい推定器を提案する。 合成データセットと実世界の3つのコーパスに関する包括的実験により,本モデルの有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-19T03:00:26Z)
• On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
  本研究では,(マルチモーダル)自己教師型表現学習のデータ予測タスクにおいて,連続領域における識別確率モデルについて検討する。 我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。 MISが要求する条件付き確率密度の和を近似する新しい非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T18:02:46Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Topological Quality of Subsets via Persistence Matching Diagrams [0.196629787330046]
  我々は、トポロジカルデータ解析技術を用いて、そのデータセットに関するサブセットの品質を測定する。 特に,本手法では,選択したサブセットが教師付き学習モデルの貧弱な性能をもたらす可能性がある理由を説明することができる。
  論文  参考訳（メタデータ） (2023-06-04T17:08:41Z)
• VCDM: Leveraging Variational Bi-encoding and Deep Contextualized Word Representations for Improved Definition Modeling [24.775371434410328]
  定義モデリングの課題は、単語やフレーズの定義を学習することである。 このタスクの既存のアプローチは差別的であり、直接的ではなく暗黙的に分布的意味論と語彙的意味論を組み合わせたものである。 本稿では、文脈内で使われるフレーズとその定義の基盤となる関係を明示的にモデル化するために、連続潜時変数を導入したタスク生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-07T02:48:44Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。