論文の概要: NIR: Approximate Neural Instance Retrieval for ALCIQ

• arxiv url: http://arxiv.org/abs/2611.02842v1
• Date: Mon, 02 Nov 2026 09:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 14:56:13.249235
• Title: NIR: Approximate Neural Instance Retrieval for ALCIQ
• Title（参考訳）: NIR: ALCIQのための近似ニューラルインスタンス検索
• Abstract要約: 我々は、知識グラフの埋め込みから、ランク付けされたメンバーシップスコアを出力するIQALCのニューラルネットワークインスタンスレトリバーのファミリーであるNIRを提示する。 8つのベンチマークでは、すべての変種が完全知識ベースに近づき、トランスフォーマーモデルは不完全性の下で最も堅牢である。
• 参考スコア（独自算出の注目度）: 8.35185738222012
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Instance retrieval is the main bottleneck of concept-learning systems based on refinement operators. We present NIR, a family of neural instance retrievers for ALCIQ that output graded membership scores from knowledge graph embeddings. We compare tokenization-based encoders (GRU, LSTM, Transformer) with a Compositional encoder that mirrors DL operators via primitive sub-networks. On eight benchmarks, all variants approximate Pellet closely on complete knowledge bases, while the Transformer model is most robust under incompleteness. The source code of our approach is at https://github.com/dice-group/owlapy.
• Abstract（参考訳）: インスタンス検索は、リファインメント演算子に基づく概念学習システムの主要なボトルネックである。 我々は,知識グラフの埋め込みから次数付きメンバシップスコアを出力する,ALCIQのニューラルネットワーク・インスタンス・リトリバーのファミリーであるNIRを提案する。 我々は、トークン化ベースのエンコーダ(GRU、LSTM、Transformer)と、プリミティブサブネットワークを介してDL演算子をミラーするコンポジションエンコーダを比較する。 8つのベンチマークでは、すべての変種が完全知識ベースに近づき、トランスフォーマーモデルは不完全性の下で最も堅牢である。 このアプローチのソースコードはhttps://github.com/dice-group/owlapy.comにある。

関連論文リスト

• Rethinking Neural Nonlinearity as Gating [0.7073210405344709]
  標準アクティベーションは、実際には単一のThreshold Gatingプリミティブのインスタンスであることを示す。 ソフトマックスに対して、同値な要素ごとのシグモイド形式による正確なTG変換が認められることを示す。 また,我々のプリミティブで必要となる枝の最小個数を一般深部ニューラルネットワークのトレーニング可能性に関連付ける「最小枝定理」も提案する。
  論文  参考訳（メタデータ） (2026-07-03T09:38:16Z)
• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• Factorizers for Distributed Sparse Block Codes [45.29870215671697]
  分散ブロック符号(SBC)を高速かつ高精度に分解する手法を提案する。 我々の反復分解器は、しきい値に基づく非線形活性化、条件付きランダムサンプリング、および $ell_infty$-based similarity metricを導入している。 CIFAR-100, ImageNet-1K, RAVENデータセット上での4つの深層CNNアーキテクチャの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-03-24T12:31:48Z)
• Neural networks trained with SGD learn distributions of increasing complexity [78.30235086565388]
  勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。 その後、トレーニング中にのみ高次の統計を利用する。 本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
  論文  参考訳（メタデータ） (2022-11-21T15:27:22Z)
• Transformers as Meta-Learners for Implicit Neural Representations [10.673855995948736]
  Inlicit Neural Representations (INRs) は近年、離散表現よりもその利点を示してきた。 InRのハイパーネットとしてTransformerを利用する定式化を提案し,INRの重みの集合を直接構築する。 本稿では,3次元オブジェクトに対する2次元画像回帰とビュー合成を含む,異なるタスクや領域でINRを構築するための手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-04T17:54:38Z)
• Latent Code-Based Fusion: A Volterra Neural Network Approach [21.25021807184103]
  最近導入されたVolterra Neural Networks(VNN)を用いた深層構造エンコーダを提案する。 提案手法は,cnnベースのオートエンコーダに対して,より頑健な分類性能を持つサンプル複雑性を示す。
  論文  参考訳（メタデータ） (2021-04-10T18:29:01Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。