Graph Enabled Cross-Domain Knowledge Transfer

要約

タイトル – グラフを用いた異なるドメイン間の知識転移
要約 – 機械学習を意思決定に活用するには、与えられた知識（例えば、自然言語、非構造化テキスト）を、機械学習モデルが理解でき、その言語とデータ形式と互換性がある表現ベクトルに変換する必要があります。しかしながら、問題は、与えられた知識が十分に豊かで信頼性があるわけではないことです。このような場合、別のドメインからのサイド情報を融合して、良好な表現学習と興味のあるドメインにおける乏しい知識のギャップを緩和することを目指します。このアプローチは、異なるドメイン間の知識転移として名付けられています。自動化された意思決定の恩恵を受けるためには、医療プラットフォームの分析から金融市場のリスク量的化など、多くのシナリオで乏しい知識の共通性があるため、この問題を研究することが重要です。機械学習の観点から、半教師あり学習のパラダイムは、正解がない大量のデータを活用して、印象的な学習性能の向上を実現します。本論文では、異なるドメイン間の知識転移に採用されているグラフを使用した手法について説明します。

要約(オリジナル)

To leverage machine learning in any decision-making process, one must convert the given knowledge (for example, natural language, unstructured text) into representation vectors that can be understood and processed by machine learning model in their compatible language and data format. The frequently encountered difficulty is, however, the given knowledge is not rich or reliable enough in the first place. In such cases, one seeks to fuse side information from a separate domain to mitigate the gap between good representation learning and the scarce knowledge in the domain of interest. This approach is named Cross-Domain Knowledge Transfer. It is crucial to study the problem because of the commonality of scarce knowledge in many scenarios, from online healthcare platform analyses to financial market risk quantification, leaving an obstacle in front of us benefiting from automated decision making. From the machine learning perspective, the paradigm of semi-supervised learning takes advantage of large amount of data without ground truth and achieves impressive learning performance improvement. It is adopted in this dissertation for cross-domain knowledge transfer. (to be continued)

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI