ゼロER:ゼロラベル例を用いたエンティティ解決【JST・京大機械翻訳】

Wu Renzhi; Chaba Sanya; Sawlani Saurabh; Chu Xu; Thirumuruganathan Saravanan

プレプリント

J-GLOBAL ID：202202201408758882 整理番号：22P0072638

ゼロER:ゼロラベル例を用いたエンティティ解決【JST・京大機械翻訳】

ZeroER: Entity Resolution using Zero Labeled Examples

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2019年08月16日プレプリントサーバーでの情報更新日： 2020年04月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

エンティティ解像度(ER)は,同じ実世界エンティティを参照する1つ以上の関係におけるマッチング記録の問題に言及する。教師つき機械学習(ML)手法は最先端の結果を達成するが,それらは,取得するのに高価であり,しばしば実行不可能な大量のラベル化例を必要とする。著者らは,ベックスス実務者が,ゼロラベル化例を必要とするERのための効果的アルゴリズムを設計することが可能であるが,教師つき手法に匹敵する性能を達成することができるという重要な問題を研究した。本論文では,提案したアプローチを,ゼロERを d層して,肯定的に回答した。本手法は簡単な観察に基づいており,マッチのための類似性ベクトルは,非マッチのものとは異なっている。この洞察の運用は,多くの技術革新を必要とする。最初に,マッチと非マッチ分布を学習するためのGauss混合モデルに基づく簡単で強力な生成モデルを提案した。第2に,著者らはERのためにカスタマイズされた適応正則化技術を提案し,それは,特徴のオーバーフィッティングの問題点を改善する。最後に,著者らは,改良精度をもたらす新しい方法において,生成モデルに推移性特性を組み込んだ。5つのベンチマークERデータセット上で,ゼロERは既存の教師なし手法よりも大幅に優れ,教師つき手法に匹敵する性能を達成することを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る