論文の概要: Do General NLP Embeddings Capture Ontological Reasoning?

• arxiv url: http://arxiv.org/abs/2609.00177v1
• Date: Mon, 31 Aug 2026 18:03:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.926096
• Title: Do General NLP Embeddings Capture Ontological Reasoning?
• Title（参考訳）: 一般的なNLP埋め込みはオントロジー推論を捕えるか?
• Abstract要約: 汎用NLP埋め込みモデルは言語的タスクにおいてよく機能するが、象徴的存在論的逆転を捉える能力はいまだに不明である。 25以上の最先端の埋め込みモデルを評価し,かなりの限界を見出した。 ファインチューニングは、大きなマージンで差別を改善するが、下流のセマンティックWebタスクにはあまり転送しない。
• 参考スコア（独自算出の注目度）: 5.477826608330914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General-purpose NLP embedding models perform well on linguistic tasks, but their ability to capture symbolic ontological structure remains unclear. We introduce AVA, a systematic framework for evaluating whether embeddings distinguish logic-sensitive relational semantics in ontologies and knowledge graphs. AVA comprises 171,007 contrastive triplets derived from 163 heterogeneous ontologies using hierarchy inversion, relation substitution, and disjointness injection. Each triplet contains an ontology statement, a semantically equivalent paraphrase, and a logic-sensitive hard negative with contradictory relational meaning. We evaluate more than 25 state-of-the-art embedding models and find substantial limitations: the best model achieves only 0.739 triplet accuracy, while hard negative accuracy falls to 0.135. Fine-tuning improves discrimination by a large margin but transfers poorly to downstream Semantic Web tasks, including taxonomy discovery and ontology alignment. Further analysis suggests that improvements stem partly from perturbation-specific pattern recognition rather than robust ontological understanding. These findings reveal a persistent gap between linguistic representation learning and ontology-level discrimination, challenging the assumption that strong NLP benchmark performance translates to Semantic Web competence.
• Abstract（参考訳）: 汎用NLP埋め込みモデルは言語的タスクにおいてよく機能するが、象徴的存在論的構造を捉える能力は未だ不明である。 オントロジーと知識グラフにおける論理依存的関係意味論を区別するかどうかを評価するための体系的フレームワークであるAVAを紹介する。 AVAは、階層的逆転、関係置換、不整合注入を用いた163の異種オントロジに由来する171,007個の対照的な三重項を含む。 各三重項には、オントロジーステートメント、意味論的に等価なパラフレーズ、矛盾する関係性の意味を持つ論理に敏感なハードネガティブが含まれる。 我々は25以上の最先端の埋め込みモデルを評価し、実質的な限界を見出す: 最良のモデルは0.739三重項精度しか達成せず、強負の精度は0.135に低下する。 ファインチューニングは、大きなマージンによる差別を改善するが、分類発見やオントロジーアライメントを含む、下流のセマンティックウェブタスクに不適切な転送を行う。 さらに分析したところ、改善は強固な存在論的理解ではなく、摂動特異的なパターン認識に由来することが示唆された。 これらの結果から,言語表現学習とオントロジーレベルの識別の間には,強いNLPベンチマーク性能がセマンティックWeb能力に変換されるという仮定に疑問が生じる。

関連論文リスト

• Structured-Condensed Prompt Tuning in Vision-Language Models for Fine-grained Image Recognition [38.294322671641545]
  微粒な画像認識は、手動のアノテーションに必要な相当な専門知識と努力のために重要な課題である。 現在のメソッドでは、クラスラベルを独立した独立したエンティティとして扱い、それらの間のリッチなセマンティックな関係を見渡しています。 本稿では,素早い学習における意味的構造モデリングの強化を目的としたSCPT(Structured-Condensed Prompt Tuning)を提案する。
  論文  参考訳（メタデータ） (2026-07-07T12:09:49Z)
• Mastering Negation: Boosting Grounding Models via Grouped Opposition-Based Learning [87.15765427638195]
  D-Negationは、ポジティブな意味記述とネガティブな意味記述の両方で注釈付けされたオブジェクトを提供する新しいデータセットである。 本稿では,限られたサンプルから否定認識表現を学習する,反抗型学習フレームワークを提案する。 モデルパラメータの10%未満を微調整することにより、正および負のセマンティック評価において最大4.4mAPおよび5.7mAPの改善が達成される。
  論文  参考訳（メタデータ） (2026-03-13T03:21:48Z)
• Generalization Gaps in Political Fake News Detection: An Empirical Study on the LIAR Dataset [0.764671395172401]
  LIARベンチマークを用いて,9つの機械学習アルゴリズムの診断評価を行った。 モデルの重み付きF1スコアを超えないきめ細かい分類の「パフォーマンスシーリング」を発見した。 木に基づくアンサンブルの大規模な"一般化ギャップ"は、99%以上のトレーニング精度を達成したが、テストデータで約25%に崩壊した。
  論文  参考訳（メタデータ） (2025-12-20T23:08:18Z)
• Sensitivity of Small Language Models to Fine-tuning Data Contamination [0.0]
  小言語モデル(SLM)は、資源に制約のある環境にますますデプロイされている。 命令チューニング中の構文的および意味的変換タイプに対する感受性を計測する。 文字反転はサイズや家族に関係なく、すべてのモデルでほぼ完全に失敗する。 セマンティック・トランスフォーメーションは、異なるしきい値の挙動を示し、コア言語能力においてより強いレジリエンスを示す。
  論文  参考訳（メタデータ） (2025-11-10T06:44:29Z)
• TopInG: Topologically Interpretable Graph Learning via Persistent Rationale Filtration [10.830399323047265]
  TopInG: Topologically Interpretable Graph Learning を提案する。 TopInGは、有理グラフの自動回帰生成過程をモデル化するために、有理フィルタ学習アプローチを採用している。 本手法は,予測精度と解釈品質の両面において最先端の手法を改良する。
  論文  参考訳（メタデータ） (2025-10-06T17:59:44Z)
• RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark [71.3555284685426]
  本稿では,双方向機能相乗効果を評価するためのベンチマークであるRealUnifyを紹介する。 RealUnifyは、10のカテゴリと32のサブタスクにまたがる、細心の注意を払ってアノテートされた1000のインスタンスで構成されている。 現在の統一モデルは、効果的な相乗効果を達成するのに依然として苦労しており、アーキテクチャの統一だけでは不十分であることを示している。
  論文  参考訳（メタデータ） (2025-09-29T15:07:28Z)
• Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
  本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。 オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。 大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
  論文  参考訳（メタデータ） (2024-02-23T16:50:07Z)
• Semantic Sensitivities and Inconsistent Predictions: Measuring the Fragility of NLI Models [44.56781176879151]
  State-of-the-art Natural Language Inference (NLI)モデルは、表面形状の変化を保存するマイナーセマンティクスに敏感である。 セマンティックな感度は、平均$textbfin-$と$textbfout-of-$ドメイン設定よりも平均$12.92%と$23.71%のパフォーマンス劣化を引き起こす。
  論文  参考訳（メタデータ） (2024-01-25T14:47:05Z)
• AS-XAI: Self-supervised Automatic Semantic Interpretation for CNN [5.42467030980398]
  本稿では,自動意味解釈人工知能(AS-XAI)フレームワークを提案する。 モデル決定のグローバルな意味解釈には、透過的な埋め込み意味抽出空間と行中心主成分分析(PCA)を用いる。 提案手法は, 流通圏内における共通意味論的解釈を含む, 広範囲な実践的応用を提供する。
  論文  参考訳（メタデータ） (2023-12-02T10:06:54Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• STAR Loss: Reducing Semantic Ambiguity in Facial Landmark Detection [80.04000067312428]
  本稿では,意味的あいまいさの特性を利用した自己適応型あいまいさ低減(STAR)の損失を提案する。 意味的あいまいさは異方性予測分布をもたらすことが分かり、予測分布を用いて意味的あいまいさを表現する。 また,分布の異常変化とモデルの初期収束を回避できる2種類の固有値制限法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T10:33:25Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)

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。