Tomoyuki Jinno
Tomoyuki Jinno

Master’s Student

NAIST-NLP

About Me

Tomoyuki Jinno is current persuing a M.Eng. in Information Science at the Nara Institute of Science and Technology. His research interests include Natural Language Processing, Knowledge Graph Completion and Information Extraction. He has a special interest in in the application of NLP tequniques for assisting advancements in scientific research, such as the Science of Science field. Personal Blog

Interests
  • Science of Science
  • Knowledge Graph Completion
  • Information Extraction
Education

  • MEng Information Science

    Nara Institute of Science and Technology

International Conference
Tomoyuki Jinno, Kazuki Hayashi, Yusuke Sakai, Hidetaka Kamigaito, Taro Watanabe (2026). Cosine Similarity as Logits?: A Scalable Knowledge Probe Using Embedding Vectors from Generative Language Models. EACL2026 Main.
Cite EACL2026
Domestic Conference
林 和樹, 尾崎 慎太郎, 神野 倫行, 上垣外 英剛, 渡辺 太郎 (2026). Noisy Channel に基づく生成確率による画像生成評価. 言語処理学会2026.
言語処理学会2026
門谷 拓能, 神野 倫行, 坂井 優介, 渡辺 太郎 (2026). 出力制約と表記正規化によるLLM 形式証明のタクティク選択評価. 言語処理学会2026.
言語処理学会2026
神野 倫行, 林 和樹, 坂井 優介, 上垣外 英剛, 渡辺 太郎 (2025). 高精度な流行語予測に向けて：n-gramトレンド分析における同形異義語の語義別成分分解. YANS2025, ポスター発表.
Poster YANS2025
Tomoyuki Jinno, Kazuki Hayashi, Yusuke Sakai, Hidetaka Kamigaito, Taro Watanabe (2025). Cosine Similarity as Logits?: Few-shot Knowledge Graph Completion with Embedding Vectors of a Generative PLM and its Application in Knowledge Probing. 言語処理学会2025.
PDF Poster 言語処理学会2025
神野 倫行, 林 和樹, 坂井 優介, 上垣外 英剛, 渡辺 太郎 (2024). 科学技術文献における知識グラフ補完を用いた効率的な知識グラフの作成. YANS2024, ポスター発表.
Poster YANS2024
Featured Publications
Cosine Similarity as Logits?: A Scalable Knowledge Probe Using Embedding Vectors from Generative Language Models
Information Extraction

科学技術文献における知識グラフ補完を用いた効率的な知識グラフの作成

近年、科学論文の増加に伴い、科学的知識の関係性を扱うための知識グラフのような統一された構造化資源の需要が高まっている。このような構造化資源の整備は、新しい科学的知識の発見などに繋がることがある。しかし、そのような資源を人手で作成するには、各科学分野の専門知識が必要であり、資源作成には高いコストがかかる。本研究では、知識グラフを対象に、既存の科学関係抽出データセットを拡張することで、科学分野に関する知識グラフを作成する。また、知識グラフ補完タスクを知識グラフのデータ拡張に応用することで、既存の知識グラフから事実に即した新しい科学的知識の関係が導出可能かを検証する。