文献

J-GLOBAL ID：202202258532596557   整理番号：22A0930956

マッチングエンティティのためのDAMEドメイン適応【JST・京大機械翻訳】

DAME Domain Adaptation for Matching Entities

著者 (3件)： Trabelsi Mohamed (Lehigh University, Bethlehem, PA, USA) ,  Heflin Jeff (Lehigh University, Bethlehem, PA, USA) ,  Cao Jin (Nokia Bell Labs, Murray Hill, NJ, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’22  ページ： 1016-1024  発行年： 2022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： エンティティマッチング(EM)は,同じ実世界エンティティを参照するデータ記録を同定する。EMにおける性能を改善するための過去数年の努力にもかかわらず,既存の方法は訓練フェーズ中に各ドメインで大量のラベル付きデータを必要とする。これらの方法は,各ドメインを個々に処理し,EMにおける各データセットに対する特定の信号を捕捉し,これはただ一つのデータセットに過剰適合をもたらす。1つのデータセットから学習される知識は,より少ないラベル付きサンプルで,非意味データセットに関する予測を行うために,EMタスクをより良く理解するために利用されていない。本論文では,複数のソースドメインからターゲットドメインへタスク知識を転送する新しいドメイン適応ベース手法を提案した。著者らの方法は,目的が複数のソースドメインを用いて著者らのモデルを予訓練することからタスク特有の知識を捉えることであるEMのための新しい設定を提示し,次に,目標領域に関する著者らのモデルをテストする。ターゲットドメイン上のゼロショット学習事例を研究し,この方法がEMタスクを学習し,ターゲットドメインに知識を転送することを実証した。多重ドメインからのターゲットデータセットに関する著者らのモデルを微調整し,本モデルがEMにおける最先端の方法よりも良く一般化することを示した。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： 性能 ,  学習 ,  データ ,  *範囲 ,  多重化 ,  モデル ,  *マッチング
準シソーラス用語： データアーカイブ ,  *エンティティ ,  微調整 , 【Automatic Indexing@JST】

著者キーワード (3件)： ドメイン適応 ,  実体マッチング ,  伝達学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： マッチング ,  エンティティ ,  ドメイン適応