論文の概要: NIT-Agartala-NLP-Team at SemEval-2020 Task 8: Building Multimodal
Classifiers to tackle Internet Humor
- arxiv url: http://arxiv.org/abs/2005.06943v2
- Date: Sat, 16 May 2020 05:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 05:06:47.572341
- Title: NIT-Agartala-NLP-Team at SemEval-2020 Task 8: Building Multimodal
Classifiers to tackle Internet Humor
- Title(参考訳): NIT-Agartala-NLP-Team at SemEval-2020 Task 8: Building Multimodal Classificationifiers to tackle Internet Humor
- Authors: Steve Durairaj Swamy, Shubham Laddha, Basil Abdussalam, Debayan Datta
and Anupam Jamatia
- Abstract要約: 本報告では,SemEval-2020 Task 8: Memotion by the NIT-Agartala-NLP-Teamについて述べる。
8879のミームのデータセットがタスクオーガナイザによって提供され、モデルのトレーニングとテストが行われた。
- 参考スコア(独自算出の注目度): 0.22499166814992433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper describes the systems submitted to SemEval-2020 Task 8: Memotion by
the `NIT-Agartala-NLP-Team'. A dataset of 8879 memes was made available by the
task organizers to train and test our models. Our systems include a Logistic
Regression baseline, a BiLSTM + Attention-based learner and a transfer learning
approach with BERT. For the three sub-tasks A, B and C, we attained ranks
24/33, 11/29 and 15/26, respectively. We highlight our difficulties in
harnessing image information as well as some techniques and handcrafted
features we employ to overcome these issues. We also discuss various modelling
issues and theorize possible solutions and reasons as to why these problems
persist.
- Abstract(参考訳): 本稿では,SemEval-2020 Task 8: Memotion by the `NIT-Agartala-NLP-Team'について述べる。
8879のミームのデータセットがタスクオーガナイザによって利用可能となり、モデルのトレーニングとテストが行われた。
我々のシステムには、ロジスティック回帰ベースライン、BiLSTM + Attention-based Learninger、BERTによる転送学習アプローチが含まれる。
A,B,Cの3つのサブタスクに対して,それぞれ24/33,11/29,15/26のランクを得た。
画像情報を活用することの難しさと、これらの問題を克服するために採用する技術や手作りの機能について強調する。
また、様々なモデリング問題について議論し、これらの問題が持続する理由について可能な解決策と理由を理論的に論じる。
関連論文リスト
- E.T. Bench: Towards Open-Ended Event-Level Video-Language Understanding [57.630136434038384]
E.T. Bench (Event-Level & Time-Sensitive Video Understanding Benchmark)は、イベントレベルのオープンな理解のための大規模ベンチマークである。
ベンチマークでは,8つの画像-LLMと12個のビデオ-LLMを広範囲に評価し,その結果から,粗い(ビデオレベル)理解のための最先端モデルが,きめ細かなタスクの解決に苦慮していることが判明した。
私たちのシンプルだが効果的なソリューションは、複数のシナリオで優れたパフォーマンスを示します。
論文 参考訳(メタデータ) (2024-09-26T17:53:04Z) - Re-TASK: Revisiting LLM Tasks from Capability, Skill, and Knowledge Perspectives [54.14429346914995]
CoT (Chain-of-Thought) は複雑な問題を解決する重要な方法となっている。
大規模言語モデル(LLM)はドメイン固有のタスクを正確に分解するのに苦労することが多い。
本稿では,LLMタスクを能力,スキル,知識の観点から再検討する理論モデルであるRe-TASKフレームワークを紹介する。
論文 参考訳(メタデータ) (2024-08-13T13:58:23Z) - Mavericks at ArAIEval Shared Task: Towards a Safer Digital Space --
Transformer Ensemble Models Tackling Deception and Persuasion [0.0]
本稿では,各課題のタスク1-Aとタスク2-Aのアプローチについて述べる。
タスクは、与えられたバイナリ分類問題に対して、ツイートとニュース記事のマルチジャンルスニペットを使用する。
タスク1-A(8位)では0.742、タスク2-A(7位)では0.901のマイクロF1スコアを達成した。
論文 参考訳(メタデータ) (2023-11-30T17:26:57Z) - Mitigating Negative Transfer with Task Awareness for Sexism, Hate
Speech, and Toxic Language Detection [7.661927086611542]
本稿では,タスク認知概念に基づく負の伝達問題を緩和するための新しいアプローチを提案する。
提案手法は,従来のMTLソリューションよりも性能が向上すると共に,負の転送を減少させる。
提案手法はSexism, Hate Speech, Toxic Languageをテキストコメントで検出するために, 2つの統一アーキテクチャで実装されている。
論文 参考訳(メタデータ) (2023-07-07T04:10:37Z) - Zero-shot Item-based Recommendation via Multi-task Product Knowledge
Graph Pre-Training [106.85813323510783]
本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。
製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。
我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
論文 参考訳(メタデータ) (2023-05-12T17:38:24Z) - Learning Neuro-Symbolic Skills for Bilevel Planning [63.388694268198655]
意思決定は、連続したオブジェクト中心の状態、継続的なアクション、長い地平線、まばらなフィードバックを持つロボット環境では難しい。
タスク・アンド・モーション・プランニング(TAMP)のような階層的なアプローチは、意思決定を2つ以上の抽象レベルに分解することでこれらの課題に対処する。
我々の主な貢献は、オペレーターとサンプルラーを組み合わせたパラメータ化警察の学習方法である。
論文 参考訳(メタデータ) (2022-06-21T19:01:19Z) - The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。
Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。
これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
論文 参考訳(メタデータ) (2021-07-05T12:18:17Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳(メタデータ) (2020-10-17T13:06:12Z) - CyberWallE at SemEval-2020 Task 11: An Analysis of Feature Engineering
for Ensemble Models for Propaganda Detection [0.0]
Span Identification subtask ではバイLSTMアーキテクチャを使用し、Technical Classification subtask の複雑なアンサンブルモデルを訓練する。
我々のシステムは、SIサブタスクで35チーム中8チーム、TCサブタスクで31チーム中8チームを達成する。
論文 参考訳(メタデータ) (2020-08-22T15:51:16Z) - Duluth at SemEval-2020 Task 12: Offensive Tweet Identification in
English with Logistic Regression [0.0]
本稿では,Duluth SemEval--2020 Task 12, Multilingual Offensive Language Identification in Social Media (OffensEval--2020)に参加するシステムについて述べる。
私たちは、タスクオーガナイザが利用可能な遠方の教師付きトレーニングデータに基づいてモデルをトレーニングし、他のリソースを使用しませんでした。
予想通り,タスクAでは85の79位,タスクBでは43の34位,タスクCでは39の24位であった。
論文 参考訳(メタデータ) (2020-07-25T14:49:31Z) - Team Neuro at SemEval-2020 Task 8: Multi-Modal Fine Grain Emotion
Classification of Memes using Multitask Learning [7.145975932644256]
本稿では,SemEval-2020のタスク8である感情分析の課題に使用したシステムについて述べる。
この課題には3つのサブタスクがあった。
提案するシステムでは,3つのタスクを1つのタスクにまとめ,複数のラベルの階層的な分類問題として表現する。
論文 参考訳(メタデータ) (2020-05-21T21:29:44Z)
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。