論文の概要: A Data-driven Neural Network Architecture for Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2006.16642v1
- Date: Tue, 30 Jun 2020 10:08:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:13:19.289264
- Title: A Data-driven Neural Network Architecture for Sentiment Analysis
- Title（参考訳）: 感性分析のためのデータ駆動型ニューラルネットワークアーキテクチャ
- Authors: Erion \c{C}ano and Maurizio Morisio
- Abstract要約: 曲感情の2つの大きなデータセットの作成手順について述べる。
また、曲の歌詞、製品、映画レビューのテキストデータセットにおける畳み込みと最大プールのニューラルネットワーク層の利用についても検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The fabulous results of convolution neural networks in image-related tasks,
attracted attention of text mining, sentiment analysis and other text analysis
researchers. It is however difficult to find enough data for feeding such
networks, optimize their parameters, and make the right design choices when
constructing network architectures. In this paper we present the creation steps
of two big datasets of song emotions. We also explore usage of convolution and
max-pooling neural layers on song lyrics, product and movie review text
datasets. Three variants of a simple and flexible neural network architecture
are also compared. Our intention was to spot any important patterns that can
serve as guidelines for parameter optimization of similar models. We also
wanted to identify architecture design choices which lead to high performing
sentiment analysis models. To this end, we conducted a series of experiments
with neural architectures of various configurations. Our results indicate that
parallel convolutions of filter lengths up to three are usually enough for
capturing relevant text features. Also, max-pooling region size should be
adapted to the length of text documents for producing the best feature maps.
Top results we got are obtained with feature maps of lengths 6 to 18. An
improvement on future neural network models for sentiment analysis, could be
generating sentiment polarity prediction of documents using aggregation of
predictions on smaller excerpt of the entire text.
- Abstract（参考訳）: 画像関連タスクにおける畳み込みニューラルネットワークの素晴らしい結果が、テキストマイニングや感情分析、その他のテキスト分析研究者の注目を集めた。
しかし、そのようなネットワークを供給し、パラメータを最適化し、ネットワークアーキテクチャを構築する際に適切な設計を選択するのに十分なデータを見つけるのは難しい。
本稿では,2つの大きな感情データセットの作成手順について述べる。
また、曲の歌詞、製品、映画レビューテキストデータセットにおける畳み込みと最大プールニューラルネットワーク層の利用についても検討する。
単純で柔軟なニューラルネットワークアーキテクチャの3つのバリエーションも比較される。
私たちの意図は、類似モデルのパラメータ最適化のガイドラインとなる重要なパターンを見つけることです。
また、高いパフォーマンスの感情分析モデルにつながるアーキテクチャ設計の選択を特定したかったのです。
そこで我々は,様々な構成のニューラルアーキテクチャを用いた一連の実験を行った。
その結果,フィルタ長の並列畳み込みは,通常,関連するテキストの特徴を捉えるのに十分であることがわかった。
また、最大プール領域サイズは、最高の特徴マップを作成するためにテキスト文書の長さに適応すべきである。
得られた最上位の結果は、長さ6から18のフィーチャーマップで得られます。
感情分析のための将来のニューラルネットワークモデルの改善は、テキスト全体の小さな抜粋に対する予測の集約を用いて、文書の感情極性予測を生成することができる。
関連論文リスト
- Designing deep neural networks for driver intention recognition [40.87622566719826]
本稿では,ニューラルネットワークアーキテクチャが現実世界の安全クリティカルなアプリケーションに与える影響について検討する。
2つの運転意図認識データセットに対して8つの探索戦略のセットを評価する。
論文 参考訳（メタデータ） (2024-02-07T12:54:15Z) - Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。
我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。
ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
論文 参考訳（メタデータ） (2023-05-26T04:34:28Z) - A Local Optima Network Analysis of the Feedforward Neural Architecture
Space [0.0]
ローカルオプティマネットワーク(LON)解析は、候補解のフィットネスランドスケープの派生である。
LONは、ニューラルネットワークを分析し最適化する実行可能なパラダイムを提供することができる。
論文 参考訳（メタデータ） (2022-06-02T08:09:17Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳（メタデータ） (2021-09-03T11:45:51Z) - Improving Graph Neural Networks with Simple Architecture Design [7.057970273958933]
グラフニューラルネットワークの重要な設計戦略をいくつか紹介する。
簡便で浅いモデルである特徴選択グラフニューラルネットワーク(FSGNN)を紹介します。
提案手法は,他のGNNモデルよりも優れており,ノード分類タスクの精度が最大64%向上していることを示す。
論文 参考訳（メタデータ） (2021-05-17T06:46:01Z) - Rethinking Graph Neural Network Search from Message-passing [120.62373472087651]
本稿では,新しい検索空間を設計したグラフニューラルアーキテクチャサーチ(GNAS)を提案する。
グラフニューラルアーキテクチャパラダイム(GAP:Graph Neural Architecture Paradigm)をツリートポロジー計算手順と2種類の微粒原子操作で設計します。
実験では、GNASは複数のメッセージ通過機構と最適なメッセージ通過深さを持つより良いGNNを探索できることを示しています。
論文 参考訳（メタデータ） (2021-03-26T06:10:41Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2020-05-14T09:02:33Z) - Deep Learning Approach for Enhanced Cyber Threat Indicators in Twitter
Stream [3.7354197654171797]
本研究は、ツイートデータ分析のためのディープラーニングに基づくアプローチを提案する。
ツイートを数値表現に変換するには、様々なテキスト表現を用いる。
比較分析には古典的機械学習アルゴリズムを用いた古典的テキスト表現法を用いる。
論文 参考訳（メタデータ） (2020-03-31T00:29:42Z) - Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。
古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。
また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文 参考訳（メタデータ） (2020-02-19T11:04:49Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z)
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。