文献

J-GLOBAL ID：202002221447175107   整理番号：20A1865250

変分深層グラフ埋込みとクラスタリングによるマルチモーダル分類の学習【JST・京大機械翻訳】

Learning Multimodal Taxonomy via Variational Deep Graph Embedding and Clustering

著者 (4件)： Zhang Huaiwen (Chinese Academy of Sciences & University of Chinese Academy of Sciences, Beijing, China) ,  Fang Quan (Chinese Academy of Sciences & University of Chinese Academy of Sciences, Beijing, China) ,  Qian Shengsheng (Chinese Academy of Sciences & University of Chinese Academy of Sciences, beijing, China) ,  Xu Changsheng (Chinese Academy of Sciences & University of Chinese Academy of Sciences, Beijing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： MM ’18  ページ： 681-689  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： タキソノミー学習は重要な問題であり,意味理解や情報検索のような様々なアプリケーションを容易にする。意味的分類学を構築するための以前の研究は,主に労働集約的人間寄与またはテキストベース抽出に焦点を当てた。本論文では,Web上のマルチメディアデータからマルチモーダル分類を自動的に学習する問題を検討した。変分深グラフ埋込みとクラスタリング(VDGEC)と呼ばれる系統的フレームワークを,変分深グラフ埋込みとクラスタ化による概念グラフ構築と分類誘導として2つの段階から成ることを提案した。VDGECは,教師なし方法で意味的テキストビジュアル対応と文脈共起を利用することによって階層的概念関係を発見する。マルチメディア文書の非構造化意味論と雑音の多い問題は,高品質分類誘導のためにVDGECによって注意深く取り組まれる。実世界データセットに関する広範な実験を行った。実験結果は,VDGECが大きなギャップによって以前の教師なし手法より優れているという提案フレームワークの有効性を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *変分法 ,  情報検索 ,  意味論 ,  *学習 ,  *クラスタ化 ,  応用プログラム ,  *多モード ,  深層 ,  有効性 ,  マルチメディア ,  Web【情報システム】
準シソーラス用語： 分類学 ,  高品質 ,  意味理解 , 【Automatic Indexing@JST】

著者キーワード (3件)： マルチモーダル分類学 ,  分類学学習 ,  変分深層グラフ埋込み

分類 (1件)： 自然語処理  (JE06000L)

タイトルに関連する用語 (7件)： 変分 ,  深層 ,  グラフ埋込み ,  クラスタリング ,  マルチモーダル ,  分類 ,  学習