$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

효율적인 자동 주석을 위한 단어 임베딩 인공 신경 정리 증명계 구축
Neural Theorem Prover with Word Embedding for Efficient Automatic Annotation

정보과학회논문지 = Journal of KIISE, v.44 no.4, 2017년, pp.399 - 410  

양원석 (한국과학기술원 전산학부) ,  박한철 (한국과학기술원 전산학부) ,  박종철 (한국과학기술원 전산학부)

초록
AI-Helper 아이콘AI-Helper

본 연구는 전문기관에서 생산되는 검증된 문서의 정보를 웹상의 수많은 검증되지 않은 문서에 자동 주석하여 신뢰도를 향상하고 심화 정보를 추가하는 시스템을 제안한다. 제안하는 시스템은 국가암정보센터의 검증된 문서들에서 추출한 19,304개 명제를 위키피디아 암 관련 문서에서 추출한 1,486개 명제에 주석하는 과제를 수행하기 위해, 기존 인공 신경 정리 증명계의 순환 모듈을 단어 임베딩 모듈로 교체하였다. 이를 통해 기존의 근본적인 문제점이었던 학습 시간 문제를 해결하였고, 동일한 환경에서 기존 시스템의 학습 시간이 233.9일로 추정된 것에 비해 재구축한 시스템은 102.1분 내로 학습이 완료되었다. 제안하는 시스템의 장점은 명제를 텐서로 인코딩하여 미분 가능하게 전체적인 연산을 진행하는 인공 신경 정리 증명계가 단어의 정확한 일치를 파악하는 전통적인 정리 증명계를 포함하며 동시에 유사어 관계로부터의 논리 전개 역시 가능하게 한다는 점을 실제 문서 데이터에서 입증했다는 것이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

We present a system that automatically annotates unverified Web sentences with information from credible sources. The system turns to neural theorem proving for an annotating task for cancer related Wikipedia data (1,486 propositions) with Korean National Cancer Center data (19,304 propositions). By...

주제어

#인공 신경 정리 증명계   #단어 임베딩   #신뢰도 향상 및 심화 정보 추가   #자동 주석 시스템  

참고문헌 (18)

  1. H. Robert, et al., "Wikipedia vs peer-reviewed medical literature for information about the 10 most costly medical conditions," J Am Osteopath Assoc, 114.5, pp. 368-373, 2014. 

    상세보기 crossref

  2. W. Richard, et al., "Deductive Question Answering from Multiple Resources," New Directions in Question Answering, pp. 253-262, 2004. 

  3. S. Kim, Y. Hur, S. Kim, Y. Kim, "Efficient Retrieval Technique of the Web Document based on Fuzzy Logic," Communications of the Korean Institute of Information Scientists and Engineers, 38(2B), pp. 287- 290, 2011. 

  4. T. Rocktaschel and S. Riedel, "Learning Knowledge Base Inference with Neural Theorem Provers," NAACL Workshop on Automated Knowledge Base Construction, 2016. 

  5. L. Jin, et al., "Fuzzy keyword search over encrypted data in cloud computing," IEEE INFOCOM, 2010. 

  6. K. Janusz and S. Zadrozny, "Queries with Fuzzy Linguistic Quantifiers for Data of Variable Quality Using Some Extended OWA Operators," Flexible Query Answering Systems 2015, Springer International Publishing, pp. 295-305, 2016. 

  7. S. Ilya, O. Vinyals, and Q. Le, "Sequence to sequence learning with neural networks," Advances in Neural Information Processing Systems, 2014. 

  8. K. Cho, et al., "Learning phrase representations using RNN encoder-decoder for statistical machine translation," Conference on Empirical Methods in Natural Language Processing, 2014. 

  9. T. Mikolov and J. Dean, "Distributed representations of words and phrases and their compositionality," Advances in Neural Information Processing Systems, 2013. 

  10. J. Pennington, R. Socher, and C. Manning, "Glove: Global Vectors for Word Representation," Conference on Empirical Methods in Natural Language Processing, 2014. 

  11. B. Peng, et al., "Towards neural network-based reasoning," IEEE Conference on Robotics, Automation and Mechatronics, 2015. 

  12. R. Scott and N. Freitas, "Neural programmer- interpreters," International Conference on Learning Representations, 2015. 

  13. S. J. Russell and P. Norvig, Artificial Intelligence: Modern Approach, 3rd edition, Prentice Hall, 1995. 

  14. T. H. Park, J. W. Cha, "Feature Selection for Korean Sematic Role Labeling Using CRFs," Communications of the Korean Institute of Information Scientists and Engineers, 34(8), 2016.8, 37-41, Korea Information Science Society. 

  15. K. Diederik and J. Ba, "Adam: A method for stochastic optimization," International Conference on Learning Representations, 2015. 

  16. M. Xuezhe and E. Hovy, "End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF," Proc. of the 54th Annual Meeting of the Association for Computational Linguistics, 2016. 

  17. W. Felix, J. Bergmann, and B. Schuller, "Introducing CURRENNT-the Munich open-source CUDA RecurREnt neural network toolkit," Journal of Machine Learning Research 16.3, pp. 547-551, 2015. 

  18. G. Alex, N. Beringer, and J. Schmidhuber, "Rapid retraining on speech data with LSTM recurrent networks," Technical Report IDSIA-05-05, 2005. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로