論文の概要: Team Neuro at SemEval-2020 Task 8: Multi-Modal Fine Grain Emotion Classification of Memes using Multitask Learning

• arxiv url: http://arxiv.org/abs/2005.10915v1
• Date: Thu, 21 May 2020 21:29:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 22:35:00.314059
• Title: Team Neuro at SemEval-2020 Task 8: Multi-Modal Fine Grain Emotion Classification of Memes using Multitask Learning
• Title（参考訳）: SemEval-2020 Task 8におけるチーム神経:マルチタスク学習を用いたミームのマルチモーダル微粒感情分類
• Authors: Sourya Dipta Das, Soumil Mandal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.145975932644256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we describe the system that we used for the memotion analysis challenge, which is Task 8 of SemEval-2020. This challenge had three subtasks where affect based sentiment classification of the memes was required along with intensities. The system we proposed combines the three tasks into a single one by representing it as multi-label hierarchical classification problem.Here,Multi-Task learning or Joint learning Procedure is used to train our model.We have used dual channels to extract text and image based features from separate Deep Neural Network Backbone and aggregate them to create task specific features. These task specific aggregated feature vectors ware then passed on to smaller networks with dense layers, each one assigned for predicting one type of fine grain sentiment label. Our Proposed method show the superiority of this system in few tasks to other best models from the challenge.
• Abstract（参考訳）: 本稿では,memotion analysis challenge(smeval-2020のタスク8)で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り、インテンシティとともに、ミームの感情分類の影響が要求された。 提案するシステムは,マルチラベル階層分類問題として3つのタスクを1つのタスクに結合し,マルチタスク学習あるいはジョイント学習手順を用いてモデルをトレーニングする。我々は,2つのチャネルを用いて,ディープニューラルネットワークバックボーンからテキストと画像に基づく特徴を抽出し,それらを集約してタスク固有の機能を作成する。 これらのタスク固有の集約型特徴ベクトルウェアは、密度の高い層を持つより小さなネットワークに渡され、それぞれが1種類の微細な感情ラベルを予測するために割り当てられる。 提案手法は,課題から得られる他のベストモデルに比べて,このシステムの優位性を示す。

関連論文リスト

• Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
  本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。 私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
  論文  参考訳（メタデータ） (2023-07-13T16:39:08Z)
• An Ensemble Approach for Multiple Emotion Descriptors Estimation Using Multi-task Learning [12.589338141771385]
  本稿では,第4回ABAW(Affective Behavior Analysis in-the-Wild)コンペティションへの提案方法について述べる。 顔情報のみを使用する代わりに、顔と顔の周囲のコンテキストを含む提供されるデータセットから完全な情報を利用する。 提案システムは,MTLチャレンジ検証データセット上で0.917の性能を実現する。
  論文  参考訳（メタデータ） (2022-07-22T04:57:56Z)
• Codec at SemEval-2022 Task 5: Multi-Modal Multi-Transformer Misogynous Meme Classification Framework [0.0]
  マルチモーダル埋め込みおよびマルチラベルバイナリ分類タスクのための汎用フレームワークの構築に向けた作業について述べる。 我々はSemEval 2022コンペティションのタスク5(Multimedia Automatic Misogyny Identification)に参加している。
  論文  参考訳（メタデータ） (2022-06-14T22:37:25Z)
• Sparsely Activated Mixture-of-Experts are Robust Multi-Task Learners [67.5865966762559]
  本研究では,Mixture-of-Experts (MoE) がマルチタスク学習を改善するかを検討した。 タスク認識ゲーティング関数を考案し、異なるタスクから専門の専門家にサンプルをルーティングする。 これにより、多数のパラメータを持つ疎活性化マルチタスクモデルが得られるが、高密度モデルの計算コストは同じである。
  論文  参考訳（メタデータ） (2022-04-16T00:56:12Z)
• Combining Modular Skills in Multitask Learning [149.8001096811708]
  モジュラー設計は、ニューラルネットワークが様々な知識の面をアンタングルして再結合し、新しいタスクにより系統的に一般化することを奨励する。 この研究では、各タスクは(潜在的に小さな)インベントリから潜在的な離散スキルのサブセットと関連付けられていると仮定する。 ネットワークのモジュラー設計により、強化学習におけるサンプル効率が著しく向上し、教師あり学習における数ショットの一般化が図られる。
  論文  参考訳（メタデータ） (2022-02-28T16:07:19Z)
• Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
  シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。 合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。 次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
  論文  参考訳（メタデータ） (2021-09-15T21:19:11Z)
• Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic Conditional Random Fields [67.51177964010967]
  異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。 タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T07:11:34Z)
• MTI-Net: Multi-Scale Task Interaction Networks for Multi-Task Learning [82.62433731378455]
  特定のスケールで高い親和性を持つタスクは、他のスケールでこの動作を維持することが保証されていないことを示す。 本稿では,この発見に基づく新しいアーキテクチャ MTI-Net を提案する。
  論文  参考訳（メタデータ） (2020-01-19T21:02:36Z)

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。