論文の概要: Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning

• arxiv url: http://arxiv.org/abs/2002.00119v1
• Date: Sat, 1 Feb 2020 01:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 00:37:06.834442
• Title: Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning
• Title（参考訳）: 深層学習によるドメイン適応型感情分類の改善
• Authors: Qianming Xue, Wei Zhang, Hongyuan Zha
• Abstract要約: ドメイン適応型感情分類(ドメイン適応型感情分類、Domain-adapted sentiment classification)は、ラベル付きソースドメインでトレーニングを行い、ラベルなしターゲットドメイン上で文書レベルの感情を適切に推測する。 本稿では,2つの特徴抽出器群,ドメイン識別器群,感情分類器群,ラベル探索器群を包含する新たな相互学習手法を提案する。
• 参考スコア（独自算出の注目度）: 51.742040588834996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain-adapted sentiment classification refers to training on a labeled source domain to well infer document-level sentiment on an unlabeled target domain. Most existing relevant models involve a feature extractor and a sentiment classifier, where the feature extractor works towards learning domain-invariant features from both domains, and the sentiment classifier is trained only on the source domain to guide the feature extractor. As such, they lack a mechanism to use sentiment polarity lying in the target domain. To improve domain-adapted sentiment classification by learning sentiment from the target domain as well, we devise a novel deep adversarial mutual learning approach involving two groups of feature extractors, domain discriminators, sentiment classifiers, and label probers. The domain discriminators enable the feature extractors to obtain domain-invariant features. Meanwhile, the label prober in each group explores document sentiment polarity of the target domain through the sentiment prediction generated by the classifier in the peer group, and guides the learning of the feature extractor in its own group. The proposed approach achieves the mutual learning of the two groups in an end-to-end manner. Experiments on multiple public datasets indicate our method obtains the state-of-the-art performance, validating the effectiveness of mutual learning through label probers.
• Abstract（参考訳）: ドメイン適応感情分類(domain-adapted sentiment classification)とは、ラベル付きソースドメインのトレーニングであり、ラベル付きターゲットドメインの文書レベルの感情をよく推測する。 既存のモデルの多くは、特徴抽出器と感情分類器を含み、特徴抽出器は両方のドメインからドメイン不変の特徴を学習し、感情分類器は、特徴抽出器を導くためにソースドメインにのみ訓練される。 したがって、ターゲット領域に横たわる感情極性を使用するメカニズムが欠如している。 対象領域から感情を学習することで、ドメイン適応型感情分類を改善するために、特徴抽出者、ドメイン識別者、感情分類者、ラベル探索者という2つのグループからなる、新しい深層逆相互学習アプローチを考案する。 ドメイン識別器は、特徴抽出器がドメイン不変の特徴を得ることができる。 一方、各グループ内のラベルプローバは、ピアグループにおける分類器によって生成された感情予測を通じて、対象領域の文書感情極性を探索し、自己グループにおける特徴抽出器の学習を指導する。 提案手法は,両グループ間の相互学習をエンドツーエンドで実現する。 複数の公開データセットを用いた実験は,ラベルプローブによる相互学習の有効性を検証し,最先端のパフォーマンスを得ることを示す。

関連論文リスト

• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via Graph Matching [14.876681993079062]
  本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。 また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-09T02:30:15Z)
• DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
  セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。 我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。 我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
  論文  参考訳（メタデータ） (2022-07-20T15:47:34Z)
• Topic Driven Adaptive Network for Cross-Domain Sentiment Classification [6.196375060616161]
  ドメイン間感情分類のためのトピック駆動適応ネットワーク(TDAN)を提案する。 このネットワークはセマンティックスアテンションネットワークとドメイン固有のワードアテンションネットワークの2つのサブネットワークで構成されている。 ドメイン間の感情分類におけるTDANの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2021-11-28T10:17:11Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Learning to Share by Masking the Non-shared for Multi-domain Sentiment Classification [24.153584996936424]
  テキストからドメイン関連語を明示的にマスキングし,これらのドメインに依存しないテキストからドメイン不変感の特徴を学習し,それらのマスキング語を用いてドメイン認識文表現を形成するネットワークを提案する。 適応度の高い複数領域感情分類データセットの実証実験により,提案モデルの有効性が実証された。
  論文  参考訳（メタデータ） (2021-04-17T08:15:29Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)
• Domain Generalization via Optimal Transport with Metric Similarity Learning [16.54463315552112]
  データやラベルが利用できない未知のドメインに知識を一般化することは、機械学習モデルにとって不可欠である。 我々は、複数のソースドメインから学習し、未知の統計を持つ対象ドメインに一般化するために、ドメインの一般化問題に取り組む。
  論文  参考訳（メタデータ） (2020-07-21T02:56:05Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。