$\require{mediawiki-texvc}$

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.

[국내논문] 효과적인 문서 수준의 정보를 이용한 합성곱 신경망 기반의 신규성 탐지
CNN-Based Novelty Detection with Effectively Incorporating Document-Level Information 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.9 no.10, 2020년, pp.231 - 238  

조성웅 (한국기술교육대학교 컴퓨터공학부) ,  오흥선 (한국기술교육대학교 컴퓨터공학과) ,  임상훈 (한국기술교육대학교 컴퓨터공학부) ,  김선호 (한국과학기술정보연구원)

초록
AI-Helper 아이콘AI-Helper

웹 상에 수 많은 문서가 등장함에 따라 기존 문서와 내용이 중복되는 문서를 찾아서 제외함으로써 새로운 문서를 찾는 노력을 줄일 수 있어 문서 수준의 신규성 탐지(novelty detection)가 중요해졌다. 최근 연구에서는 합성곱 신경망(CNN) 구조 기반의 신규성 탐지 모델 구조가 제안되었고 상당한 성능 향상을 나타내였다. 본 논문에서는 기존의 CNN 기반의 모델에서 문서 수준의 정보가 제한적으로 사용되는 것을 관측하고 문서의 신규성을 결정할 때 문서 수준의 정보가 중요하므로 제한적인 사용이 문제가 된다고 가정하였다. 이에 대한 해결책으로, 본 논문에서는 합성곱 신경망 기반 신규성 탐지 모델 구조를 개선하여 문서 수준 정보를 효과적으로 사용하는 두 가지 방법을 제안한다. 본 논문에서 제안하는 방법은 대상(target) 문서와 증거로 주어진 출처(source) 문서 사이의 상대적(relative) 정보를 추출하여 신규성을 분류할 대상 문서의 특징 벡터를 구성하는 것에 초점을 맞춘다. 본 논문에서는 표준 벤치마크 데이터 셋인 TAP-DLND 1.0를 이용하여 여러 실험을 통해서 제안한 방법의 우수성을 보여준다.

Abstract ▼ AI-Helper 아이콘AI-Helper

With a large number of documents appearing on the web, document-level novelty detection has become important since it can reduce the efforts of finding novel documents by discarding documents sharing redundant information already seen. A recent work proposed a convolutional neural network (CNN)-base...

주제어

#딥 러닝   #합성곱 신경망   #신규성 탐지  

표/그림 (7)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • The novelty detection task has been actively researched since the novelty tracks of Text Retrieval Conferences (TREC) from 2002 to 2004 that was concentrated on sentence-level novelty detection. The goal of these tasks was to capture novelty in each sentence for a given topic and relevant documents.
  • This paper presents a CNN-based document novelty detection model effectively incorporating document-level information which is crucial in novelty classification. In our model, relative information between target and source documents is generated through relational information selector and relative information aggregator in RDV generator.

가설 설정

  • 1. We propose methods of exploiting useful document level information in the context of RDV generation by observing the lack of document-level information in the CNN-based model.
본문요약 정보가 도움이 되었나요?

참고문헌 (13)

  1. Y. Yang, J. Zhang, J. Carbonell, and C. Jin, "Topicconditioned novelty detection," in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2002. 

  2. Z. Yi, J. Callan, and T. Minka, "Novelty and redundancy detection in adaptive filtering," in SIGIR Forum (ACM Special Interest Group on Information Retrieval), 2002. 

  3. T. Ghosal, V. Edithal, A. Ekbal, P. Bhattacharyya, G. Tsatsaronis, and S. S. S. K. Chivukula, "Novelty Goes Deep. A Deep Neural Solution To Document Level Novelty Detection," Proc. 27th Int. Conf. Comput. Linguist., pp. 2802-2813, 2018. 

  4. C. L. Wayne, "Topic detection and tracking in English and Chinese," Proc. 5th Int. Work. Inf. Retr. with Asian Lang. IRAL 2000, pp. 165-172, 2000. 

  5. Y. Kim, "Convolutional Neural Networks for Sentence Classification," in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Vol. 2017-Janua, pp.1746-1751, 2014. 

  6. A. Conneau, D. Kiela, H. Schwenk, L. Barrault, and A. Bordes, "Supervised learning of universal sentence representations from natural language inference data," EMNLP 2017 - Conf. Empir. Methods Nat. Lang. Process. Proc., pp.670-680, 2017. 

  7. L. Mou et al., "Natural language inference by tree-based convolution and heuristic matching," 54th Annu. Meet. Assoc. Comput. Linguist. ACL 2016 - Short Pap., pp.130-136, 2016. 

  8. B. C. Wallace, "A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification," 2014. 

  9. Y. Kim, Y. Jernite, D. Sontag, and A. M. Rush, "Character-Aware neural language models," in 30th AAAI Conference on Artificial Intelligence, AAAI 2016, 2016, pp. 2741-2749. 

  10. A. Conneau, H. Schwenk, Y. Le Cun, and L. Barrault, "Very deep convolutional networks for text classification," 15th Conf. Eur. Chapter Assoc. Comput. Linguist. EACL 2017 - Proc. Conf., Vol.1, No.2001, pp.1107-1116, 2017. 

  11. T. Ghosal, A. Salam, S. Tiwari, A. Ekbal, and P. Bhattacharyya, "TAP-DLND 1.0: A corpus for document level novelty detection," Lr. 2018 -11th Int. Conf. Lang. Resour. Eval., Vol.7, pp.3541-3547, 2019. 

  12. M. Karkali, F. Rousseau, A. Ntoulas, and M. Vazirgiannis, "Using temporal IDF for efficient novelty detection in text streams," pp.1-30, 2014. 

  13. D. P. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp.1-15, Dec. 2014. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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