論文の概要: Comparison Between Traditional Machine Learning Models And Neural Network Models For Vietnamese Hate Speech Detection

• arxiv url: http://arxiv.org/abs/2002.00759v2
• Date: Mon, 28 Sep 2020 01:54:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:30:08.692805
• Title: Comparison Between Traditional Machine Learning Models And Neural Network Models For Vietnamese Hate Speech Detection
• Title（参考訳）: ベトナム語ヘイトスピーチ検出のための従来の機械学習モデルとニューラルネットワークモデルの比較
• Authors: Son T. Luu, Hung P. Nguyen, Kiet Van Nguyen, Ngan Luu-Thuy Nguyen
• Abstract要約: 近年,ソーシャルネットワークにおけるHate-Speech検出が主要な研究分野の1つとなっている。 ベトナムでは、攻撃やハラスメントの脅威がオンラインユーザーに悪影響を及ぼす。 ベトナムのソーシャルネットワークにおけるユーザのコメントに関する大規模なデータセットにおいて、従来の機械学習とディープラーニングを比較した。
• 参考スコア（独自算出の注目度）: 2.7528170226206443
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hate-speech detection on social network language has become one of the main researching fields recently due to the spreading of social networks like Facebook and Twitter. In Vietnam, the threat of offensive and harassment cause bad impacts for online user. The VLSP - Shared task about Hate Speech Detection on social networks showed many proposed approaches for detecting whatever comment is clean or not. However, this problem still needs further researching. Consequently, we compare traditional machine learning and deep learning on a large dataset about the user's comments on social network in Vietnamese and find out what is the advantage and disadvantage of each model by comparing their accuracy on F1-score, then we pick two models in which has highest accuracy in traditional machine learning models and deep neural models respectively. Next, we compare these two models capable of predicting the right label by referencing their confusion matrices and considering the advantages and disadvantages of each model. Finally, from the comparison result, we propose our ensemble method that concentrates the abilities of traditional methods and deep learning methods.
• Abstract（参考訳）: ソーシャルネットワーク言語におけるヘイトスピーチ検出は、facebookやtwitterといったソーシャルネットワークの普及により、近年の主要な研究分野の一つとなっている。 ベトナムでは、攻撃やハラスメントの脅威がオンラインユーザーに悪影響を及ぼす。 vlsp - shared task about hate speech detection on social networks (vlsp) では、コメントがクリーンかどうかを検知する手法が多数提案されている。 しかし、この問題にはさらなる研究が必要である。 その結果、ベトナムのソーシャルネットワークにおけるユーザのコメントに関する大規模なデータセット上で従来の機械学習とディープラーニングを比較し、F1スコアでの精度を比較することによって、各モデルの利点とデメリットを把握し、従来の機械学習モデルとディープニューラルネットワークモデルでそれぞれ高い精度を持つ2つのモデルを選択する。 次に、混乱行列を参照し、各モデルの利点と欠点を考慮し、正しいラベルを予測できる2つのモデルを比較した。 最後に,本手法との比較から,従来の手法と深層学習手法の能力に集中したアンサンブル手法を提案する。

関連論文リスト

• Fine-tuning Language Models for Factuality [96.5203774943198]
  大規模な事前訓練型言語モデル(LLM)は、しばしば伝統的な検索エンジンの代替として、広く使われるようになった。 しかし、言語モデルは説得力のあるが事実的に不正確な主張をしがちである(しばしば「幻覚」と呼ばれる)。 本研究では,人間のラベル付けなしに,より現実的な言語モデルを微調整する。
  論文  参考訳（メタデータ） (2023-11-14T18:59:15Z)
• Reducing Computational Costs in Sentiment Analysis: Tensorized Recurrent Networks vs. Recurrent Networks [0.12891210250935145]
  特定のテキストに対する聴衆の反応を期待することは、政治、研究、商業産業など、社会のいくつかの側面に不可欠である。 感性分析(英: Sentiment Analysis、SA)は、語彙・統計・深層学習法を用いて、異なるサイズのテキストが肯定的、否定的、中立的な感情を示すかどうかを判断する有用な自然言語処理(NLP)技術である。
  論文  参考訳（メタデータ） (2023-06-16T09:18:08Z)
• Commonsense Knowledge Transfer for Pre-trained Language Models [83.01121484432801]
  ニューラルコモンセンス知識モデルに格納されたコモンセンス知識を汎用的な事前学習言語モデルに転送するフレームワークであるコモンセンス知識伝達を導入する。 まず、一般的なテキストを利用して、ニューラルコモンセンス知識モデルからコモンセンス知識を抽出するクエリを形成する。 次に、コモンセンスマスクの埋め込みとコモンセンスの関係予測という2つの自己教師対象で言語モデルを洗練する。
  論文  参考訳（メタデータ） (2023-06-04T15:44:51Z)
• Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
  我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。 我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。 そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
  論文  参考訳（メタデータ） (2023-02-06T10:28:16Z)
• Training Language Models with Natural Language Feedback [51.36137482891037]
  3段階学習アルゴリズムを用いてモデル出力の言語フィードバックから学習する。 合成実験において、まず言語モデルがフィードバックを正確に組み込んで改良を行うかどうかを評価する。 人間の手書きフィードバックのサンプルは100程度しかなく, 学習アルゴリズムはGPT-3モデルを微調整し, ほぼ人間レベルの要約を行う。
  論文  参考訳（メタデータ） (2022-04-29T15:06:58Z)
• A Feature Extraction based Model for Hate Speech Identification [2.9005223064604078]
  本稿では、2021年のインド・ヨーロッパ語におけるヘイトスピーチと攻撃的コンテンツ識別に関するタスク1Aと1Bのタスク1Aとタスク1Bに関するTU Berlinチーム実験と結果について述べる。 異なる自然言語処理モデルの成功は、競技を通して各サブタスクに対して評価される。 実験に使用した実験モデルのうち、トランスファーラーニングベースモデルは両方のサブタスクで最高の結果を得た。
  論文  参考訳（メタデータ） (2022-01-11T22:53:28Z)
• Adversarial GLUE: A Multi-Task Benchmark for Robustness Evaluation of Language Models [86.02610674750345]
  AdvGLUE(Adversarial GLUE)は、様々な種類の敵攻撃の下で、現代の大規模言語モデルの脆弱性を調査し評価するための新しいマルチタスクベンチマークである。 GLUEタスクに14の逆攻撃手法を適用してAdvGLUEを構築する。 テストしたすべての言語モデルとロバストなトレーニングメソッドは、AdvGLUEではパフォーマンスが悪く、スコアは明確な精度よりもはるかに遅れています。
  論文  参考訳（メタデータ） (2021-11-04T12:59:55Z)
• Offensive Language and Hate Speech Detection with Deep Learning and Transfer Learning [1.77356577919977]
  我々は、ツイートを自動的に3つのクラスに分類するアプローチを提案する。 我々は、テキスト分類、感情チェック、テキストデータ拡張を含む主要な機能を含むクラスモジュールを作成する。
  論文  参考訳（メタデータ） (2021-08-06T20:59:47Z)
• Read Like Humans: Autonomous, Bidirectional and Iterative Language Modeling for Scene Text Recognition [80.446770909975]
  言語知識はシーンのテキスト認識に非常に有益である。 エンドツーエンドのディープネットワークで言語規則を効果的にモデル化する方法はまだ研究の課題です。 シーンテキスト認識のための自律的双方向反復型ABINetを提案する。
  論文  参考訳（メタデータ） (2021-03-11T06:47:45Z)
• An Online Multilingual Hate speech Recognition System [13.87667165678441]
  6つのデータセットを1つの同質なデータセットに組み合わせて分析し、3つのクラスに分類します。 ほぼリアルタイムで有効なメトリックでページを識別し、スコア付けするツールを作成し、フィードバックでモデルを再トレーニングします。 英語とヒンディー語という2つの言語モデル上での多言語モデルの競合性能を証明し、ほとんどの単言語モデルに匹敵するあるいは優れた性能をもたらす。
  論文  参考訳（メタデータ） (2020-11-23T16:33:48Z)
• Effect of Word Embedding Models on Hate and Offensive Speech Detection [1.7403133838762446]
  単語埋め込みモデルとニューラルネットワークアーキテクチャの両方が予測精度に与える影響について検討する。 まず、大規模なアラビア文字コーパスに複数の単語埋め込みモデルを訓練する。 検出タスク毎に、事前学習された単語埋め込みモデルを用いて、ニューラルネットワーク分類器を訓練する。 このタスクは多数の学習モデルをもたらし、徹底的な比較を可能にする。
  論文  参考訳（メタデータ） (2020-11-23T02:43:45Z)

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。