論文の概要: Syntax Meets Semantics: Understanding Scientific Formulae

• arxiv url: http://arxiv.org/abs/2608.02457v1
• Date: Mon, 03 Aug 2026 16:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.707892
• Title: Syntax Meets Semantics: Understanding Scientific Formulae
• Title（参考訳）: Syntaxがセマンティックスと出会う:科学公式の理解
• Abstract要約: 式構文と意味論の相互対応について検討する。 それらの固有表現空間は極めて弱い可観測対応を示す。 コントラスト学習を用いて共有表現空間を誘導する。
• 参考スコア（独自算出の注目度）: 2.2549386819889734
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scientific formulae are a fundamental component of scholarly communication, yet their dual nature -- as structured syntax and carriers of semantics -- remains underexplored in scholarly information retrieval. Although prior studies show that jointly modeling syntactic and semantic modalities improves retrieval performance, the relationship between their underlying representations has not been systematically investigated. In this work, we empirically study cross-modal correspondence between formula syntax and semantics. We find that their native representation spaces exhibit extremely weak observable correspondence despite strong latent correlation, indicating a substantial representation mismatch between the two modalities. We further evaluate whether this mismatch can be reduced using standard representation learning and alignment techniques. We represent syntactic structure using graph-based encoders and semantic information using text-based encoders, then apply contrastive learning to induce a shared representation space. Results show that the learned alignment substantially improves cross-modal retrieval, suggesting that explicit representation learning can recover correspondence absent from the original representation spaces.
• Abstract（参考訳）: 科学的な公式は学術的なコミュニケーションの基本的な構成要素であるが、その二重性(構造的な構文や意味論のキャリアなど)は学術的な情報検索において過小評価されている。 先行研究により,構文モデルと意味的モダリティの併用による検索性能の向上が示されているが,その基礎となる表現との関係は体系的に検討されていない。 本研究では,形式構文と意味論の相互対応を実証的に研究する。 それらの固有表現空間は、強い潜在相関性にもかかわらず、極めて弱い観測可能な対応を示すことが分かり、この2つのモード間の実質的な表現ミスマッチが示される。 さらに,このミスマッチを,標準的な表現学習とアライメント技術を用いて削減できるかどうかを検証した。 グラフベースのエンコーダとテキストベースのエンコーダを用いた意味情報を用いて構文構造を表現し、コントラスト学習を適用して共有表現空間を誘導する。 結果から,学習したアライメントはクロスモーダル検索を大幅に改善し,明示的な表現学習が元の表現空間にない対応を回復できることが示唆された。

関連論文リスト

• Implicit Semantic-Aware Communication Based on Hypergraph Reasoning [37.08230650074803]
  本稿では,意味知識エンティティ間の複雑な多義性関係を表現するために,ハイパグラフに基づく暗黙的意味推論フレームワークHISRを提案する。 数値的な結果から、提案したHISRは、最先端のベンチマークで暗黙的な意味解釈精度を最大36.6%向上することが示された。
  論文  参考訳（メタデータ） (2026-06-18T12:28:30Z)
• Enhancing Pre-trained Representation Classifiability can Boost its Interpretability [112.296393156262]
  表現内の解釈可能な意味の比率との相関を利用して、表現解釈可能性の定量化を行う。 Inherent Interpretability Score(IIS)を提案し、情報損失を評価し、解釈可能なセマンティクスの比率を測定し、表現解釈可能性の定量化を行う。
  論文  参考訳（メタデータ） (2025-10-28T06:21:06Z)
• Learning Visual-Semantic Subspace Representations [49.17165360280794]
  我々は,自己教師型学習に有効な情報理論の原理を基礎として,核ノルムに基づく損失関数を導入する。 この損失の理論的特徴として、クラス性の促進に加えて、部分空間格子内のデータのスペクトル幾何学を符号化していることを示す。
  論文  参考訳（メタデータ） (2024-05-25T12:51:38Z)
• Neural Semantic Parsing with Extremely Rich Symbolic Meaning Representations [7.774674200374255]
  分類学的階層におけるその位置に基づく概念のための新しい構成記号表現を導入する。 この表現はよりリッチな意味情報を提供し、解釈可能性を高める。 実験結果から,より豊かで複雑な意味表現に基づいて訓練された分類モデルは,評価基準を用いて従来のモデルに若干従属するが,語彙外概念を扱う場合よりも優れることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T08:06:01Z)
• How Well Do Text Embedding Models Understand Syntax? [50.440590035493074]
  テキスト埋め込みモデルが幅広い構文的文脈にまたがって一般化する能力は、まだ解明されていない。 その結果,既存のテキスト埋め込みモデルは,これらの構文的理解課題に十分対応していないことが明らかとなった。 多様な構文シナリオにおけるテキスト埋め込みモデルの一般化能力を高めるための戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-14T08:51:00Z)
• Prompt-based Logical Semantics Enhancement for Implicit Discourse Relation Recognition [4.7938839332508945]
  Inlicit Discourse Relation Recognition (IDRR) のための Prompt-based Logical Semantics Enhancement (PLSE) 法を提案する。 提案手法は,事前学習した言語モデルに対する対話関係に関する知識を,素早い接続予測によってシームレスに注入する。 PDTB 2.0 と CoNLL16 データセットによる実験結果から,本手法は現状の最先端モデルに対して優れた一貫した性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-11-01T08:38:08Z)
• Variational Cross-Graph Reasoning and Adaptive Structured Semantics Learning for Compositional Temporal Grounding [143.5927158318524]
  テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。 新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。 ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-22T08:02:23Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• Imposing Relation Structure in Language-Model Embeddings Using Contrastive Learning [30.00047118880045]
  グラフ構造における関係をエンコードするために文埋め込みを訓練する新しいコントラスト学習フレームワークを提案する。 結果として得られた関係認識文の埋め込みは、関係抽出タスクにおける最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-02T10:58:27Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• Logic-guided Semantic Representation Learning for Zero-Shot Relation Classification [31.887770824130957]
  ゼロショット関係分類のための論理誘導型意味表現学習モデルを提案する。 我々のアプローチは、暗黙的および明示的な意味表現と知識グラフの埋め込みと論理規則との接続を構築する。
  論文  参考訳（メタデータ） (2020-10-30T04:30:09Z)

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。