論文の概要: Recommendation Chart of Domains for Cross-Domain Sentiment Analysis:Findings of A 20 Domain Study

• arxiv url: http://arxiv.org/abs/2004.04478v1
• Date: Thu, 9 Apr 2020 10:55:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 02:44:30.199462
• Title: Recommendation Chart of Domains for Cross-Domain Sentiment Analysis:Findings of A 20 Domain Study
• Title（参考訳）: クロスドメイン感性分析のためのドメインの勧告チャート:20のドメインスタディの考察
• Authors: Akash Sheoran, Diptesh Kanojia, Aditya Joshi, Pushpak Bhattacharyya
• Abstract要約: クロスドメイン感情分析(CDSA)は、ドメインのラベル付きデータが利用できない、あるいは不十分なシナリオにおいて、データの不足の問題に対処するのに役立つ。 11の類似度指標を用いて20のドメイン(全ペア)について結果を報告する。 我々は、我々の類似度測定値によって返される最良のKソース領域が、Kの異なる値に対して50%以上の精度を持つことを示す。
• 参考スコア（独自算出の注目度）: 35.600761024679656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain sentiment analysis (CDSA) helps to address the problem of data scarcity in scenarios where labelled data for a domain (known as the target domain) is unavailable or insufficient. However, the decision to choose a domain (known as the source domain) to leverage from is, at best, intuitive. In this paper, we investigate text similarity metrics to facilitate source domain selection for CDSA. We report results on 20 domains (all possible pairs) using 11 similarity metrics. Specifically, we compare CDSA performance with these metrics for different domain-pairs to enable the selection of a suitable source domain, given a target domain. These metrics include two novel metrics for evaluating domain adaptability to help source domain selection of labelled data and utilize word and sentence-based embeddings as metrics for unlabelled data. The goal of our experiments is a recommendation chart that gives the K best source domains for CDSA for a given target domain. We show that the best K source domains returned by our similarity metrics have a precision of over 50%, for varying values of K.
• Abstract（参考訳）: クロスドメイン感情分析(CDSA)は、ドメイン(ターゲットドメインとして知られる)のラベル付きデータが利用できない、あるいは不十分なシナリオにおいて、データの不足の問題に対処するのに役立つ。 しかし、そこから活用するドメイン(ソースドメインとして知られる)を選択する決定は、せいぜい直感的である。 本稿では,CDSAのソース領域選択を容易にするためのテキスト類似度指標について検討する。 11の類似度指標を用いて20のドメイン(全ペア)について結果を報告する。 具体的には、CDSAのパフォーマンスと異なるドメインペアのメトリクスを比較して、対象ドメインを指定した適切なソースドメインの選択を可能にする。 これらのメトリクスには、ラベル付きデータのドメイン選択を支援するためにドメイン適応性を評価するための2つの新しいメトリクスが含まれ、ラベル付きデータのメトリクスとして単語と文に基づく埋め込みを利用する。 私たちの実験の目標は、特定のターゲットドメインに対してcdsaのk個のベストソースドメインを提供する推奨チャートです。 類似度測定値によって返される最良のKソースドメインは、Kの異なる値に対して50%以上の精度を持つことを示す。

関連論文リスト

• DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive Crowd Counting [35.83485358725357]
  ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。 既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。 ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:59:40Z)
• DomainInv: Domain Invariant Fine Tuning and Adversarial Label Correction For QA Domain Adaptation [27.661609140918916]
  既存の質問回答システム(QA)は、目に見えない領域やドメイン外分布からの質問に答える能力によって制限される。 最も重要なことは、既存のQAドメイン適応手法は、合成データを生成するか、ターゲットのドメインデータに擬似ラベルを付けたものである。 本稿では,未ラベル対象領域に対する教師なし領域適応を,ソースドメインの監督を引き続き用いながら,ソースドメイン近傍のターゲット表現を転送することで提案する。
  論文  参考訳（メタデータ） (2023-05-04T18:13:17Z)
• A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain Text Classification [46.47734465505251]
  クロスドメインテキスト分類は、ラベル付きデータを持たないターゲットドメインにモデルを適応させることを目的としている。 クロスドメインテキスト分類のための2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-18T06:21:40Z)
• Unsupervised Domain Adaptation for Extra Features in the Target Domain Using Optimal Transport [3.6042575355093907]
  ほとんどの領域適応法は、ソースとターゲットドメインは同じ次元を持つと仮定する。 本稿では,両領域に共通する特徴と,対象領域に付加的な(新たな)特徴が観察されることを仮定する。 共通特徴の均一性を活用するために、これらのソースとターゲットドメイン間の適応を最適な輸送問題として定式化する。
  論文  参考訳（メタデータ） (2022-09-10T04:35:58Z)
• Connecting adversarial attacks and optimal transport for domain adaptation [116.50515978657002]
  ドメイン適応では、ソースドメインのサンプルに基づいてトレーニングされた分類器をターゲットドメインに適応させることが目標である。 提案手法では,最適なトランスポートを用いて,対象のサンプルをソース・フィクションという名前のドメインにマッピングする。 我々の主なアイデアは、ターゲットドメイン上のc-環状モノトン変換によってソースフィクションを生成することである。
  論文  参考訳（メタデータ） (2022-05-30T20:45:55Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• 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。