論文の概要: A Novel BGCapsule Network for Text Classification
- arxiv url: http://arxiv.org/abs/2007.04302v1
- Date: Thu, 2 Jul 2020 06:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 14:19:55.987733
- Title: A Novel BGCapsule Network for Text Classification
- Title（参考訳）: テキスト分類のための新しいBGCapsule Network
- Authors: Akhilesh Kumar Gangwar and Vadlamani Ravi
- Abstract要約: 本稿では,複数のテキスト分類タスクに対する双方向Gated Recurrent Units (BiGRU) のアンサンブルに先行するカプセルモデルである,新しいハイブリッドアーキテクチャであるBGCapsuleを提案する。
BGCapsuleは、外部の言語知識の助けなしに既存の手法よりも精度が良い。
- 参考スコア（独自算出の注目度）: 5.010425616264462
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Several text classification tasks such as sentiment analysis, news
categorization, multi-label classification and opinion classification are
challenging problems even for modern deep learning networks. Recently, Capsule
Networks (CapsNets) are proposed for image classification. It has been shown
that CapsNets have several advantages over Convolutional Neural Networks
(CNNs), while their validity in the domain of text has been less explored. In
this paper, we propose a novel hybrid architecture viz., BGCapsule, which is a
Capsule model preceded by an ensemble of Bidirectional Gated Recurrent Units
(BiGRU) for several text classification tasks. We employed an ensemble of
Bidirectional GRUs for feature extraction layer preceding the primary capsule
layer. The hybrid architecture, after performing basic pre-processing steps,
consists of five layers: an embedding layer based on GloVe, a BiGRU based
ensemble layer, a primary capsule layer, a flatten layer and fully connected
ReLU layer followed by a fully connected softmax layer. In order to evaluate
the effectiveness of BGCapsule, we conducted extensive experiments on five
benchmark datasets (ranging from 10,000 records to 700,000 records) including
Movie Review (MR Imdb 2005), AG News dataset, Dbpedia ontology dataset, Yelp
Review Full dataset and Yelp review polarity dataset. These benchmarks cover
several text classification tasks such as news categorization, sentiment
analysis, multiclass classification, multi-label classification and opinion
classification. We found that our proposed architecture (BGCapsule) achieves
better accuracy compared to the existing methods without the help of any
external linguistic knowledge such as positive sentiment keywords and negative
sentiment keywords. Further, BGCapsule converged faster compared to other
extant techniques.
- Abstract（参考訳）: 感情分析、ニュース分類、複数ラベル分類、意見分類といったテキスト分類タスクは、現代のディープラーニングネットワークにおいても難しい問題である。
近年,画像分類にはCapsule Networks (CapsNets) が提案されている。
CapsNets は Convolutional Neural Networks (CNNs) に対していくつかの利点があるが、テキスト領域での妥当性は調査されていない。
本稿では,複数のテキスト分類タスクにおいて,双方向ゲート型再帰ユニット(bigru)のアンサンブルが先行するカプセルモデルであるbgcapsuleを提案する。
主カプセル層に先行する特徴抽出層に対して,両方向GRUのアンサンブルを用いた。
このハイブリッドアーキテクチャは、基本的な前処理ステップを実行した後、グラブに基づく埋め込み層、bigruベースのアンサンブル層、プライマリカプセル層、フラット層、完全に接続されたrelu層、そして完全に接続されたsoftmax層からなる。
bgcapsuleの有効性を評価するために,映画レビュー(mr imdb 2005),ag newsデータセット,dbpedia ontologyデータセット,yelp review full dataset,yelp review polarityデータセットを含む5つのベンチマークデータセット(10,000レコードから70万レコード)について,広範な実験を行った。
これらのベンチマークは、ニュース分類、感情分析、マルチクラス分類、マルチラベル分類、意見分類など、いくつかのテキスト分類タスクをカバーする。
提案するアーキテクチャ(bgcapsule)は,ポジティブ感情キーワードやネガティブ感情キーワードなどの外部言語知識を必要とせず,既存の手法と比較して精度が向上した。
さらに、BGCapsuleは他の既存の技術よりも早く収束した。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Learning the Right Layers: a Data-Driven Layer-Aggregation Strategy for
Semi-Supervised Learning on Multilayer Graphs [2.752817022620644]
多層グラフ上のクラスタリング(あるいはコミュニティ検出)は、さらにいくつかの複雑さを生じさせる。
主な課題の1つは、各レイヤがクラスタのイテレーションの割り当てにどの程度貢献するかを確立することである。
利用可能な入力ラベルから異なる層を最適に非線形に組み合わせたパラメータフリーなラプラシアン正規化モデルを提案する。
論文 参考訳（メタデータ） (2023-05-31T19:50:11Z) - WLD-Reg: A Data-dependent Within-layer Diversity Regularizer [98.78384185493624]
ニューラルネットワークは、勾配に基づく最適化と共同で訓練された階層構造に配置された複数の層で構成されている。
我々は、この従来の「中間層」フィードバックを補うために、同じ層内での活性化の多様性を促進するために、追加の「中間層」フィードバックを補うことを提案する。
本稿では,提案手法が複数のタスクにおける最先端ニューラルネットワークモデルの性能を向上させることを実証した広範な実証研究を提案する。
論文 参考訳（メタデータ） (2023-01-03T20:57:22Z) - Semantic Guided Level-Category Hybrid Prediction Network for
Hierarchical Image Classification [8.456482280676884]
階層分類(HC)は、各オブジェクトに階層構造にまとめられた複数のラベルを割り当てる。
本稿では,そのレベルとカテゴリの予測をエンドツーエンドで共同で行うことのできる,セマンティックガイド付き階層型ハイブリッド予測ネットワーク(SGLCHPN)を提案する。
論文 参考訳（メタデータ） (2022-11-22T13:49:10Z) - A Capsule Network for Hierarchical Multi-Label Image Classification [2.507647327384289]
階層的な多ラベル分類は、階層構造や分類に基づくより小さな分類に分類された多クラス画像分類問題に適用される。
階層分類のためのマルチラベルカプセルネットワーク(ML-CapsNet)を提案する。
論文 参考訳（メタデータ） (2022-09-13T04:17:08Z) - Dual-State Capsule Networks for Text Classification [2.0305676256390934]
本稿では,テキスト分類のための新しいDual-State Capsule (DS-Caps) ネットワーク技術を提案する。
文レベルと単語レベルという2種類の状態がカプセル層に統合され、より深い文脈レベル情報を取得する。
DS-Capsネットワークは、既存のカプセルネットワークアーキテクチャを複数のデータセットで上回っている。
論文 参考訳（メタデータ） (2021-09-10T09:59:55Z) - An evidential classifier based on Dempster-Shafer theory and deep
learning [6.230751621285322]
Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
論文 参考訳（メタデータ） (2021-03-25T01:29:05Z) - Minimally-Supervised Structure-Rich Text Categorization via Learning on
Text-Rich Networks [61.23408995934415]
テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。
具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。
実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
論文 参考訳（メタデータ） (2021-02-23T04:14:34Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳（メタデータ） (2020-12-16T04:13:26Z) - Graph Cross Networks with Vertex Infomax Pooling [69.38969610952927]
グラフの複数スケールから包括的特徴学習を実現するための新しいグラフクロスネットワーク(GXN)を提案する。
グラフのトレーニング可能な階層表現に基づいて、GXNは、スケール間で中間的特徴の交換を可能にし、情報フローを促進する。
論文 参考訳（メタデータ） (2020-10-05T06:34:23Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z)
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。