論文の概要: GHI: Graphormer over Conditioned Hypergraph Incidence for Aspect-Based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2605.22228v1
• Date: Thu, 21 May 2026 09:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.546084
• Title: GHI: Graphormer over Conditioned Hypergraph Incidence for Aspect-Based Sentiment Analysis
• Title（参考訳）: GHI-Graphormer over Conditioned Hypergraph Incidence for Aspect-Based Sentiment Analysis
• Authors: Yu Du, Wenlong Zhu, Xingze Li, Chenglong Cao, Jing Wang, Yukun Ma,
• Abstract要約: GHI(Graphormer-over-Conditioned-Hypergraph-Incidence framework)を紹介する。 GHIは、多種多様な言語的および意味的な証拠をトークン-ハイパーエッジの出現関係として表現している。 実験では、GHIは6つの標準ABSAベンチマークですべてのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 12.65618050417436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect-based sentiment analysis (ABSA) requires models to bind sentiment evidence to the correct aspect, making it a natural testbed for fine-grained structural reasoning. We introduce GHI, a Graphormer-over-Conditioned-Hypergraph-Incidence framework that is designed as an incidence-based structural reasoning layer built on a bipartite topology. GHI represents diverse linguistic and semantic evidence as token--hyperedge incidence relations, allowing different structural signals to be incorporated through a unified interface. Extensive experiments on six standard ABSA benchmarks show that GHI outperforms all baselines on the SemEval domains, and multi-seed evaluations show stable improvements over strong DeBERTa. Further experiments show that with only 247M parameters, GHI approaches the performance of 11B Flan-T5 based methods on the ISE benchmark. Moreover, it demonstrates strong robustness on the challenging ARTS datasets, maintaining highly competitive performance where traditional models degrade. These results demonstrate that compact structural reasoning remains a valuable alternative to scale-driven approaches for fine-grained tasks.
• Abstract（参考訳）: アスペクトベースの感情分析(ABSA)は、感情的証拠を正しい側面に結びつけるモデルを必要とし、きめ細かい構造的推論のための自然なテストベッドである。 GHI(Graphormer-over-Conditioned-Hypergraph-Incidence framework)は,二部構造トポロジ上に構築された入射型構造推論層として設計されている。 GHIは、さまざまな言語的および意味的な証拠をトークン-ハイパーエッジのインシデント関係として表現し、異なる構造的シグナルを統一インターフェースを通じて組み込むことができる。 6つの標準ABSAベンチマークにおいて、GHIはSemEvalドメインのすべてのベースラインより優れており、マルチシード評価は強力なDeBERTaよりも安定した改善を示している。 さらなる実験により、GHIは2億7700万のパラメータしか持たず、ISEベンチマークで11B Flan-T5ベースのメソッドのパフォーマンスに近づいた。 さらに、挑戦的なARTSデータセットに強い堅牢性を示し、従来のモデルが劣化する高度に競争力のあるパフォーマンスを維持します。 これらの結果は、コンパクトな構造的推論が、きめ細かいタスクに対するスケール駆動的なアプローチの代案として有用であることを証明している。

関連論文リスト

• From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
  本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。 提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
  論文  参考訳（メタデータ） (2026-02-28T04:44:06Z)
• Evaluating and Enhancing the Vulnerability Reasoning Capabilities of Large Language Models [15.849480549367684]
  本稿では,DAG生成タスクとして脆弱性推論をモデル化する新しいフレームワークであるDAGVulを提案する。 さらにReinforcement Learning with Verifiable Rewards (RLVR)を導入することで、モデル推論トレースをプログラム固有の論理と整合させる。 我々のフレームワークは、すべてのベースラインに対して平均18.9%の推論F1スコアを改善します。
  論文  参考訳（メタデータ） (2026-02-06T13:19:45Z)
• Interpretability-Guided Bi-objective Optimization: Aligning Accuracy and Explainability [0.0]
  IGBOがDAG(Directed Acyclic Graph)として特徴重要階層を符号化 中心極限定理に基づくDAGの構成は、エッジ方向の決定の統計的妥当性を保証する。 DAG制約を最小限の精度で強制するIGBOの有効性は、標準正規化基準よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-02T11:32:00Z)
• Towards Explainable Job Title Matching: Leveraging Semantic Textual Relatedness and Knowledge Graphs [0.19116784879310025]
  本研究では,ジョブタイトルマッチングの文脈における意味的テキスト関連性(STR)について検討する。 本稿では,密文埋め込みとドメイン固有の知識グラフを組み合わせた自己教師型ハイブリッドアーキテクチャを提案する。 KGを付加した細調整SBERTモデルが高STR領域で一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-09-11T15:02:54Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。