論文の概要: EmotionGIF-Yankee: A Sentiment Classifier with Robust Model Based
Ensemble Methods
- arxiv url: http://arxiv.org/abs/2007.02259v1
- Date: Sun, 5 Jul 2020 07:48:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 08:12:33.399790
- Title: EmotionGIF-Yankee: A Sentiment Classifier with Robust Model Based
Ensemble Methods
- Title(参考訳): EmotionGIF-Yankee:ロバストモデルに基づくアンサンブル法による感性分類器
- Authors: Wei-Yao Wang, Kai-Shiang Chang, Yu-Chien Tang
- Abstract要約: 本稿では,頑健なモデルに基づくアンサンブル手法を用いて感情を分類する手法を提案する。
このシステムは,SocialNLP 2020 EmotionGIFコンペティションにおいて,26チーム中3位にランクインした。
- 参考スコア(独自算出の注目度): 1.3382303974780296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper provides a method to classify sentiment with robust model based
ensemble methods. We preprocess tweet data to enhance coverage of tokenizer. To
reduce domain bias, we first train tweet dataset for pre-trained language
model. Besides, each classifier has its strengths and weakness, we leverage
different types of models with ensemble methods: average and power weighted
sum. From the experiments, we show that our approach has achieved positive
effect for sentiment classification. Our system reached third place among 26
teams from the evaluation in SocialNLP 2020 EmotionGIF competition.
- Abstract(参考訳): 本稿では,ロバストなモデルに基づくアンサンブル手法を用いて感情を分類する方法を提案する。
私たちはトークン化のカバレッジを高めるためにツイートデータを前処理します。
ドメインバイアスを低減するために、事前訓練された言語モデルのツイートデータセットをトレーニングする。
さらに,各分類器の強みと弱みから,平均値とパワー重み付き和というアンサンブル方式の異なるモデルを活用する。
実験の結果,本手法は感情分類に肯定的な効果を示した。
私たちのシステムは、socialnlp 2020 emotiongifコンペティションの評価から26チーム中3位に到達しました。
関連論文リスト
- Preference Poisoning Attacks on Reward Model Learning [49.806139447922526]
攻撃者は、目標とする結果の促進または復号化を目標として、好み比較の小さなサブセットを反転させることができることを示す。
最高の攻撃は多くの場合、非常に成功しており、最も極端な場合、100%の成功率を達成することができ、データのわずか0.3%が毒殺されている。
我々はまた、他の種類の毒殺攻撃に対する最先端の防御策が、少なくとも我々の環境では有効性に制限されていることも示している。
論文 参考訳(メタデータ) (2024-02-02T21:45:24Z) - Universal Semi-supervised Model Adaptation via Collaborative Consistency
Training [92.52892510093037]
我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。
本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。
実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
論文 参考訳(メタデータ) (2023-07-07T08:19:40Z) - A Framework for Identifying Depression on Social Media:
MentalRiskES@IberLEF 2023 [0.979963710164115]
本稿では,IberLEF 2023におけるMentalRiskESタスクへの参加について述べる。
この課題は、ソーシャルメディアの活動に基づいてうつ病を経験する個人の可能性を予測することであった。
データセットは175人のTelegramユーザーによる会話で構成されており、それぞれが障害に苦しむ証拠に基づいてラベル付けされている。
論文 参考訳(メタデータ) (2023-06-28T11:53:07Z) - Zero-Shot Automatic Pronunciation Assessment [19.971348810774046]
本稿では,事前学習した音響モデル HuBERT に基づく新しいゼロショットAPA法を提案する。
speechocean762の実験結果から,提案手法は教師付き回帰ベースラインに匹敵する性能を示した。
論文 参考訳(メタデータ) (2023-05-31T05:17:17Z) - ConEntail: An Entailment-based Framework for Universal Zero and Few Shot
Classification with Supervised Contrastive Pretraining [20.898477720723573]
ConEntailは、教師付きコントラスト事前訓練による、普遍的なゼロとほとんどショットの分類のためのフレームワークである。
実験では,同じデータセット上で事前学習した識別モデルと生成モデルを比較した。
論文 参考訳(メタデータ) (2022-10-14T07:37:27Z) - Unifying Language Learning Paradigms [96.35981503087567]
データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。
本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。
また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
論文 参考訳(メタデータ) (2022-05-10T19:32:20Z) - Distant finetuning with discourse relations for stance classification [55.131676584455306]
そこで本研究では,定位分類のモデルとして,原文から銀ラベルでデータを抽出し,微調整する手法を提案する。
また,様々な段階において微調整に用いるデータのノイズレベルが減少する3段階のトレーニングフレームワークを提案する。
NLPCC 2021共有タスクArgumentative Text Understanding for AI Debaterでは,26の競合チームの中で1位にランクインした。
論文 参考訳(メタデータ) (2022-04-27T04:24:35Z) - Classifying Tweet Sentiment Using the Hidden State and Attention Matrix
of a Fine-tuned BERTweet Model [0.0]
本稿では,つぶやき感情分類に関する研究を紹介する。
私たちの仕事は、ツイートをポジティブかネガティブかのどちらかに分類することです。
分類に高いドロップアウト率で訓練された多層パーセプトロンを用いて,提案手法は0.9111の検証精度を実現する。
論文 参考訳(メタデータ) (2021-09-29T19:51:48Z) - UTNLP at SemEval-2021 Task 5: A Comparative Analysis of Toxic Span
Detection using Attention-based, Named Entity Recognition, and Ensemble
Models [6.562256987706127]
本稿では,有害なスパン検出に関するSemEval-2021共有タスク5における,我々のチーム,UTNLP,方法論と結果について述べる。
実験はキーワードベースのモデルから始まり、アテンションベース、名前付きエンティティベース、トランスフォーマーベース、アンサンブルモデルが続く。
私たちの最良のアプローチ、アンサンブルモデルは、競争の評価段階で0.684のF1を達成します。
論文 参考訳(メタデータ) (2021-04-10T13:56:03Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳(メタデータ) (2020-10-13T21:33:24Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z)
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。