論文の概要: KinGDOM: Knowledge-Guided DOMain adaptation for sentiment analysis

• arxiv url: http://arxiv.org/abs/2005.00791v2
• Date: Mon, 11 May 2020 08:44:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 12:35:00.792800
• Title: KinGDOM: Knowledge-Guided DOMain adaptation for sentiment analysis
• Title（参考訳）: KinGDOM:感情分析のための知識誘導DOMain適応
• Authors: Deepanway Ghosal, Devamanyu Hazarika, Abhinaba Roy, Navonil Majumder, Rada Mihalcea and Soujanya Poria
• Abstract要約: 近年,クロスドメイン感情分析が注目されている。 本稿では,外部コモンセンス知識の役割を探求し,新たな視点を採る。 本研究では、ConceptNetナレッジグラフを利用して文書の意味を充実させる新しいフレームワークKinGDOMを紹介する。
• 参考スコア（独自算出の注目度）: 46.21469378674457
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cross-domain sentiment analysis has received significant attention in recent years, prompted by the need to combat the domain gap between different applications that make use of sentiment analysis. In this paper, we take a novel perspective on this task by exploring the role of external commonsense knowledge. We introduce a new framework, KinGDOM, which utilizes the ConceptNet knowledge graph to enrich the semantics of a document by providing both domain-specific and domain-general background concepts. These concepts are learned by training a graph convolutional autoencoder that leverages inter-domain concepts in a domain-invariant manner. Conditioning a popular domain-adversarial baseline method with these learned concepts helps improve its performance over state-of-the-art approaches, demonstrating the efficacy of our proposed framework.
• Abstract（参考訳）: 近年、クロスドメインの感情分析は、感情分析を利用する異なるアプリケーション間のドメインギャップと戦う必要性から、大きな注目を集めている。 本稿では,外部コモンセンス知識の役割を探求することで,この課題に対する新しい視点を取り上げる。 ドメイン固有の背景概念とドメイン一般の背景概念の両方を提供することで、ドキュメントの意味性を高めるためにconceptnetの知識グラフを利用する新しいフレームワークである kingdom を紹介します。 これらの概念は、ドメイン間の概念をドメイン不変の方法で活用するグラフ畳み込みオートエンコーダを訓練することによって学習される。 これらの学習概念を用いた一般的なドメイン・アドバイザリ・ベースライン・メソッドの条件付けは,提案フレームワークの有効性を実証し,最先端のアプローチよりも性能の向上に寄与する。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Meta-causal Learning for Single Domain Generalization [102.53303707563612]
  単一ドメインの一般化は、単一のトレーニングドメイン(ソースドメイン)からモデルを学び、それを複数の未確認テストドメイン(ターゲットドメイン)に適用することを目的としている。 既存の方法は、ターゲットドメインをカバーするためのトレーニングドメインの配布拡大に重点を置いているが、ソースとターゲットドメイン間のドメインシフトを見積もることはできない。 そこで本研究では,まず,対象ドメインとして補助ドメインを構築することによってドメインシフトをシミュレートし,ドメインシフトの原因を解析し,最終的にモデル適応のためのドメインシフトを低減する,新たな学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-07T15:46:38Z)
• Explainable Supervised Domain Adaptation [5.051036968777244]
  本稿では、ドメイン適応フレームワーク XSDA-Net の設計により説明可能であることを提案する。 我々は、XSDA-Netにケースベースの推論機構を統合し、ソースとターゲットの列車画像の類似した領域でテストインスタンスの予測を説明する。 提案フレームワークの有用性を実証的に示すため,提案フレームワークは,部分ベースの説明可能性を示すことが広く知られているデータセット上で,ドメイン適応設定をキュレートする。
  論文  参考訳（メタデータ） (2022-05-20T03:33:04Z)
• A Style and Semantic Memory Mechanism for Domain Generalization [108.98041306507372]
  ドメイン内スタイルの不変性は、ドメインの一般化の効率を改善する上で重要な要素である。 本稿では,ドメイン間の意味的特徴の共通性を学習する上で特に有効な,新しい「判断」機構を提案する。 提案手法は最先端の手法をクリアマージンで超越している。
  論文  参考訳（メタデータ） (2021-12-14T16:23:24Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• Domain Adaptation for Sentiment Analysis Using Increased Intraclass Separation [31.410122245232373]
  ドメイン間感情分析手法は注目されている。 埋め込み空間における異なるクラス間の大きなマージンを誘導する新しい領域適応法を提案する。 この埋め込み空間は、ドメイン間のデータ分散をマッチングすることによって、ドメインに依存しないように訓練される。
  論文  参考訳（メタデータ） (2021-07-04T11:39:12Z)
• f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
  教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。 領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
  論文  参考訳（メタデータ） (2021-06-21T18:21:09Z)

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。