Fugu-MT 論文翻訳(概要): IITK at SemEval-2020 Task 10: Transformers for Emphasis Selection

論文の概要: IITK at SemEval-2020 Task 10: Transformers for Emphasis Selection

arxiv url: http://arxiv.org/abs/2007.10820v1
Date: Tue, 21 Jul 2020 14:05:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 03:54:52.541327
Title: IITK at SemEval-2020 Task 10: Transformers for Emphasis Selection
Title（参考訳）: IITK at SemEval-2020 Task 10: Transformers for Emphasis Selection
Authors: Vipul Singhal, Sahil Dhull, Rishabh Agarwal and Ashutosh Modi
Abstract要約: 本稿では,SemEval-2020: Emphasis Selection for Written Text in Visual Media の第10章で提案される研究課題に対処するシステムについて述べる。本稿では,テキストを入力として各単語に対応するエンド・ツー・エンドのモデルを提案し,強調すべき単語の確率を与える。
参考スコア（独自算出の注目度）: 8.352123313770552
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper describes the system proposed for addressing the research problem posed in Task 10 of SemEval-2020: Emphasis Selection For Written Text in Visual Media. We propose an end-to-end model that takes as input the text and corresponding to each word gives the probability of the word to be emphasized. Our results show that transformer-based models are particularly effective in this task. We achieved the best Matchm score (described in section 2.2) of 0.810 and were ranked third on the leaderboard.
Abstract（参考訳）: 本稿では,SemEval-2020: Emphasis Selection for Written Text in Visual Media の第10章で提案される研究課題に対処するシステムについて述べる。本稿では,テキストを入力とし,各単語に対応して強調すべき単語の確率を与えるエンド・ツー・エンドモデルを提案する。その結果,トランスフォーマーモデルが特に効果的であることが判明した。私たちは0.810のベストマッチスコア(2.2)を獲得し、リーダーボードで3位になった。

関連論文リスト

Text2Topic: Multi-Label Text Classification System for Efficient Topic Detection in User Generated Content with Zero-Shot Capabilities [2.7311827519141363]
マルチラベル分類性能の高いText to Topic(Text2Topic)を提案する。 Text2Topicはゼロショット予測をサポートし、ドメイン固有のテキスト埋め込みを生成し、プロダクションスケールのバッチ推論を可能にする。このモデルは現実世界のストリーム処理プラットフォームにデプロイされ、92.9%のマイクロmAPで他のモデルより優れている。
論文参考訳（メタデータ） (2023-10-23T11:33:24Z)
KINLP at SemEval-2023 Task 12: Kinyarwanda Tweet Sentiment Analysis [1.2183405753834562]
本稿では,SemEval-2023 Task 12: Sentiment Analysis for African Languageについて述べる。システムはKinyarwanda言語に焦点を当て、言語固有のモデルを使用する。
論文参考訳（メタデータ） (2023-04-25T04:30:03Z)
BJTU-WeChat's Systems for the WMT22 Chat Translation Task [66.81525961469494]
本稿では,WMT'22チャット翻訳タスクに対して,北京地東大学とWeChat AIを共同で提案する。 Transformerに基づいて、いくつかの有効な変種を適用します。本システムでは,0.810と0.946のCOMETスコアを達成している。
論文参考訳（メタデータ） (2022-11-28T02:35:04Z)
Tencent AI Lab - Shanghai Jiao Tong University Low-Resource Translation System for the WMT22 Translation Task [49.916963624249355]
本稿では, Tencent AI Lab - Shanghai Jiao Tong University (TAL-SJTU) Low-Resource Translation system for the WMT22 shared taskについて述べる。我々は、英語$Leftrightarrow$Livonianの一般的な翻訳作業に参加する。本システムは,M2M100を対象言語に適応させる新しい手法を用いて構築した。
論文参考訳（メタデータ） (2022-10-17T04:34:09Z)
On Prosody Modeling for ASR+TTS based Voice Conversion [82.65378387724641]
音声変換において、最新の音声変換チャレンジ(VCC)2020における有望な結果を示すアプローチは、まず、ソース音声を基礎となる言語内容に書き起こすために、自動音声認識(ASR)モデルを使用することである。このようなパラダイムはASR+TTSと呼ばれ、音声の自然性と変換の類似性において重要な役割を果たす韻律のモデル化を見落としている。本稿では,ターゲットテキスト予測(TTP)と呼ばれる,ターゲット話者に依存した言語表現から直接韻律を予測することを提案する。
論文参考訳（メタデータ） (2021-07-20T13:30:23Z)
MIDAS at SemEval-2020 Task 10: Emphasis Selection using Label Distribution Learning and Contextual Embeddings [46.973153861604416]
本稿では,文章による強調選択に関するSemEval 2020 - Task 10への提出について述べる。我々は、この強調選択問題を、文脈埋め込みモデルで基礎となるテキストを表現するシーケンスラベリングタスクとしてアプローチする。私たちの最高のパフォーマンスアーキテクチャは、さまざまなモデルの集合体で、全体的なマッチングスコアは0.783で、31チーム中15位です。
論文参考訳（メタデータ） (2020-09-06T00:15:33Z)
SemEval-2020 Task 10: Emphasis Selection for Written Text in Visual Media [50.29389719723529]
本稿では,SemEval-2020 Task 10, Emphasis Selection for Written Text in Visual Media の主な成果とその結果を比較した。この共有タスクの目的は、強調選択のための自動メソッドを設計することである。タスクに送信されたシステムの解析は、BERTとRoBERTaが、トレーニング済みモデルの最も一般的な選択であることを示している。
論文参考訳（メタデータ） (2020-08-07T17:24:53Z)
Context-based Transformer Models for Answer Sentence Selection [109.96739477808134]
本稿では,文選択作業における文脈情報の役割を分析する。本稿では,ローカルとグローバルの2種類のコンテキストを活用するTransformerベースのアーキテクチャを提案する。その結果,トランスフォーマーモデルにおける局所コンテキストとグローバルコンテキストの組み合わせは,解答文選択の精度を著しく向上させることがわかった。
論文参考訳（メタデータ） (2020-06-01T21:52:19Z)
UiO-UvA at SemEval-2020 Task 1: Contextualised Embeddings for Lexical Semantic Change Detection [5.099262949886174]
本稿では,時とともに意味的ドリフトの度合いで単語をランク付けするSubtask 2に焦点を当てた。最も効果的なアルゴリズムは、平均的なトークン埋め込みとトークン埋め込み間のペア距離のコサイン類似性に依存する。
論文参考訳（メタデータ） (2020-04-30T18:43:57Z)

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。