論文の概要: Towards Open Domain Event Trigger Identification using Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2005.11355v1
• Date: Fri, 22 May 2020 19:19:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 09:17:00.261356
• Title: Towards Open Domain Event Trigger Identification using Adversarial Domain Adaptation
• Title（参考訳）: 逆領域適応を用いたオープンドメインイベントトリガー同定に向けて
• Authors: Aakanksha Naik, Carolyn Ros\'e
• Abstract要約: 我々は、ドメイン間をまたいでより一般化可能な、教師付きイベントトリガ識別モデルを構築するタスクに取り組む。 我々の研究は、ドメイン不変性を導入するために、敵対的ドメイン適応(ADA)フレームワークを活用しています。 ADAは、サンプルのドメインの予測ではなく、トリガー識別のために予測可能な表現を構築するために、敵のトレーニングを使用する。 我々の最高のパフォーマンスモデル(BERT-A)は、ラベル付きターゲットデータを使用し、両方のドメインで44-49 F1に達する。
• 参考スコア（独自算出の注目度）: 4.406331747636833
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We tackle the task of building supervised event trigger identification models which can generalize better across domains. Our work leverages the adversarial domain adaptation (ADA) framework to introduce domain-invariance. ADA uses adversarial training to construct representations that are predictive for trigger identification, but not predictive of the example's domain. It requires no labeled data from the target domain, making it completely unsupervised. Experiments with two domains (English literature and news) show that ADA leads to an average F1 score improvement of 3.9 on out-of-domain data. Our best performing model (BERT-A) reaches 44-49 F1 across both domains, using no labeled target data. Preliminary experiments reveal that finetuning on 1% labeled data, followed by self-training leads to substantial improvement, reaching 51.5 and 67.2 F1 on literature and news respectively.
• Abstract（参考訳）: 我々は、ドメインをまたいでよりよく一般化できる、教師付きイベントトリガー識別モデルを構築するタスクに取り組む。 我々の研究は、ドメイン不変性を導入するために、敵対的ドメイン適応(ADA)フレームワークを活用しています。 ADAは、サンプルのドメインの予測ではなく、トリガー識別のために予測可能な表現を構築するために、敵のトレーニングを使用する。 ターゲットドメインからのラベル付きデータを必要としないため、完全に教師なしである。 2つのドメイン(英文学とニュース)による実験では、ADAはドメイン外のデータに対して平均3.9のF1スコアを改善する。 我々の最高のパフォーマンスモデル(BERT-A)は、ラベル付きターゲットデータを使用し、両方のドメインで44-49 F1に達する。 予備実験では1%のラベル付きデータを微調整し、その後に自己学習を行い、それぞれ文学とニュースで51.5と67.2のf1に達した。

関連論文リスト

• Learning Domain-Invariant Features for Out-of-Context News Detection [19.335065976085982]
  アウト・オブ・コンテクストのニュースは、オンラインメディアプラットフォームでよく見られる誤報である。 本研究では,ドメイン適応型文脈外ニュース検出に焦点をあてる。 ドメイン不変の特徴を学習するために,コントラスト学習と最大平均誤差(MMD)を適用したConDA-TTAを提案する。
  論文  参考訳（メタデータ） (2024-06-11T16:34:02Z)
• Make the U in UDA Matter: Invariant Consistency Learning for Unsupervised Domain Adaptation [86.61336696914447]
  ICON (Invariant Consistency Learning) の略。 我々は2つの領域に等しくの地位を与えることで、教師なしDAのUを作成することを提案する。 ICON は古典的な UDA ベンチマークである Office-Home と VisDA-2017 で最先端のパフォーマンスを実現し、挑戦的な WILDS 2.0 ベンチマークでは従来の方法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-22T09:43:32Z)
• Connect, Not Collapse: Explaining Contrastive Learning for Unsupervised Domain Adaptation [88.5448806952394]
  我々は、対象ドメインのラベル付きデータと対象ドメインのラベルなしデータを用いて、対象ドメインの分類器を学習する、教師なしドメイン適応(UDA)を考える。 ラベル付きソースとターゲットデータの特徴を学習し,ラベル付きソースデータに微調整を行うコントラスト事前学習は,強いUDA手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-04-01T16:56:26Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Robust wav2vec 2.0: Analyzing Domain Shift in Self-Supervised Pre-Training [67.71228426496013]
  事前トレーニング中にターゲットドメインデータを使用することで,さまざまなセットアップで大幅なパフォーマンス向上が期待できる。 複数のドメインで事前トレーニングを行うことで、トレーニング中に見られないドメインのパフォーマンスの一般化が向上します。
  論文  参考訳（メタデータ） (2021-04-02T12:53:15Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Test-time Unsupervised Domain Adaptation [3.4188171733930584]
  畳み込みニューラルネットワークは、しばしば異なるスキャナや取得プロトコル(ターゲットドメイン)に一般化する。 対象領域から特定の対象領域に適応したモデルは、対象領域のより多くのデータを見たが、対象領域の特定の対象領域に適応していないドメイン適応法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-05T11:30:36Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering [16.39667909141402]
  ショットの分類は、多様なドメインに適応する必要がある場合、苦労する傾向があります。 本稿では、ClusteringによるFew-shot分類のためのドメイン適応性能を改善するためのフレームワークDaFeCを紹介する。 提案手法は, 絶対利得(分類精度)が4.95%, 9.55%, 3.99%, 11.62%であった。
  論文  参考訳（メタデータ） (2020-06-23T08:17:48Z)

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。