論文の概要: Behave Like Experts: Fusing Data with Semantic Knowledge for Effective and Efficient Semantic Map Construction

• arxiv url: http://arxiv.org/abs/2610.25122v1
• Date: Sun, 18 Oct 2026 08:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-25 06:15:20.226239
• Title: Behave Like Experts: Fusing Data with Semantic Knowledge for Effective and Efficient Semantic Map Construction
• Title（参考訳）: Behave Like Experts: セマンティックな知識でデータを融合し、効果的で効率的なセマンティックな地図構築
• Abstract要約: 意味マップモデル(SMM)は、言語間の形式意味マッピングを比較することで概念的類似性を反映したグラフを構築する。 現在の自動手法はこの知識を無視しており、候補グラフの探索空間を拡大することで精度と効率を損なう。 本稿では,言語モデルの内部表現に隠された分布意味知識を,トップダウンでデータ駆動型アルゴリズムに融合する。
• 参考スコア（独自算出の注目度）: 11.682706545652236
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semantic map models (SMMs) construct a graph that reflects conceptual similarity by comparing cross-lingual form-meaning mappings. Experts build such models not only by obeying the data constraint, i.e., the connectivity hypothesis, which states that conceptual nodes belonging to the same form must be connected, but also by incorporating their prior semantic knowledge. Current automatic methods ignore this knowledge, which harms both accuracy and efficiency by enlarging the search space of candidate graphs. In this paper, we fuse the distributional semantic knowledge hidden in the internal representations of language models into a top-down, data-driven algorithm. This expert-like behavior re-sorts the candidates in a huge search space, guided by conceptual semantics similarity. Experiments on a self-collected benchmark of 10 datasets and comprehensive metrics show that our method builds SMMs both effectively and efficiently.
• Abstract（参考訳）: 意味マップモデル(SMM)は、言語間の形式意味マッピングを比較することで概念的類似性を反映したグラフを構築する。 専門家は、データ制約に従うこと、すなわち接続仮説によって、同じ形式に属する概念ノードは接続されなければならない、というだけでなく、以前のセマンティック知識を組み込むことによって、そのようなモデルを構築する。 現在の自動手法はこの知識を無視しており、候補グラフの探索空間を拡大することで精度と効率を損なう。 本稿では,言語モデルの内部表現に隠された分布意味知識を,トップダウンでデータ駆動型アルゴリズムに融合する。 この専門家的な行動は、概念的セマンティクスの類似性によって導かれる巨大な検索空間の候補を並べ替える。 10個のデータセットと包括的メトリクスの自己収集ベンチマーク実験により,本手法が効率的かつ効果的にSMMを構築することを示す。

関連論文リスト

• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• Prediction is not Explanation: Revisiting the Explanatory Capacity of Mapping Embeddings [6.291731291478243]
  本稿では,単語埋め込みに符号化された知識を説明するための共通手法について検討する。 予測精度だけでは、真の特徴ベースの解釈可能性を示すものではない。
  論文  参考訳（メタデータ） (2025-08-19T11:00:47Z)
• A Top-down Graph-based Tool for Modeling Classical Semantic Maps: A Crosslinguistic Case Study of Supplementary Adverbs [50.982315553104975]
  セマンティックマップモデル(SMM)は、言語横断的なインスタンスや形式からネットワークのような概念空間を構築する。 ほとんどのSMMは、ボトムアップ手順を使用して、人間の専門家によって手動で構築される。 本稿では,概念空間とSMMをトップダウンで自動生成するグラフベースの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-02T12:06:41Z)
• A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
  本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。 本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T12:05:44Z)
• Contextual Dictionary Lookup for Knowledge Graph Completion [32.493168863565465]
  知識グラフ補完(KGC)は、知識グラフの不完全性(KGs)を解決することを目的として、既知の三重項から欠落するリンクを予測する。 既存の埋め込みモデルは、それぞれの関係を一意なベクトルにマッピングし、異なる実体の下でそれらの特定の粒度のセマンティクスを見渡す。 本稿では,従来の埋め込みモデルを用いて,関係の微粒なセマンティクスをエンド・ツー・エンドで学習することのできる,文脈辞書検索を利用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T12:13:41Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。