論文の概要: Exploiting stance hierarchies for cost-sensitive stance detection of Web documents

• arxiv url: http://arxiv.org/abs/2007.15121v2
• Date: Mon, 17 May 2021 17:10:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 19:51:16.380425
• Title: Exploiting stance hierarchies for cost-sensitive stance detection of Web documents
• Title（参考訳）: web文書のコストに敏感な姿勢検出のためのスタンス階層の活用
• Authors: Arjun Roy, Pavlos Fafalios, Asif Ekbal, Xiaofei Zhu, Stefan Dietze
• Abstract要約: スタンス検出は、請求書に対する文書の位置(スタンス)を特定することを目的としている。 本稿では,カスケードバイナリ分類器のモジュールパイプラインを提案する。 マイノリティクラスの誤分類コストを強調するニューラルネットワークと従来の分類モデルを組み合わせることで、我々のアプローチを実装します。
• 参考スコア（独自算出の注目度）: 24.898077978955406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fact checking is an essential challenge when combating fake news. Identifying documents that agree or disagree with a particular statement (claim) is a core task in this process. In this context, stance detection aims at identifying the position (stance) of a document towards a claim. Most approaches address this task through a 4-class classification model where the class distribution is highly imbalanced. Therefore, they are particularly ineffective in detecting the minority classes (for instance, 'disagree'), even though such instances are crucial for tasks such as fact-checking by providing evidence for detecting false claims. In this paper, we exploit the hierarchical nature of stance classes, which allows us to propose a modular pipeline of cascading binary classifiers, enabling performance tuning on a per step and class basis. We implement our approach through a combination of neural and traditional classification models that highlight the misclassification costs of minority classes. Evaluation results demonstrate state-of-the-art performance of our approach and its ability to significantly improve the classification performance of the important 'disagree' class.
• Abstract（参考訳）: ファクトチェックは偽ニュースと戦う上で欠かせない課題である。 特定の声明に同意または同意しない文書を識別することは、このプロセスの中核的なタスクである。 この文脈において、スタンス検出は、クレームに対する文書の位置(スタンス)を特定することを目的としている。 ほとんどのアプローチでは、クラス分布が極めて不均衡な4クラス分類モデルを通じて、このタスクに対処する。 したがって、虚偽のクレームを検知する証拠を提供することで事実チェックなどのタスクに欠かせないにもかかわらず、マイノリティクラス(例えば「不一致」)の検出には特に有効ではない。 本稿では,階層的なスタンスクラスの性質を活かし,段階単位とクラス単位でのパフォーマンスチューニングを可能にする,カスケードバイナリ分類器のモジュールパイプラインを提案する。 我々は,マイノリティクラスの誤分類コストを強調するニューラル分類モデルと従来の分類モデルを組み合わせた手法を実装した。 評価結果は,本手法の最先端性能と重要な「異種」クラスの分類性能を大幅に向上させる能力を示す。

関連論文リスト

• Classification Matters: Improving Video Action Detection with Class-Specific Attention [61.14469113965433]
  ビデオアクション検出(VAD)は、アクターを検出し、そのアクションをビデオで分類することを目的としている。 一般的な手法が、分類のための特徴をどう形成するかを分析し、アクター領域の優先順位付けを行う。 本稿では,アクターに対する偏見を減らし,各アクションクラスに関連する文脈に注意を払うことを提案する。
  論文  参考訳（メタデータ） (2024-07-29T04:43:58Z)
• Rethinking Object Saliency Ranking: A Novel Whole-flow Processing Paradigm [22.038715439842044]
  本稿では、その「重要順」によって、有能な物体のランク付けに完全にフォーカスすることを目的とした、有能なランキングのための新しいパラダイムを提案する。 提案手法は、広く使われているSALICONの既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-06T01:51:03Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Rating Facts under Coarse-to-fine Regimes [0.533024001730262]
  PolitiFactから24Kのレーティングステートメントを手作業で収集します。 我々のタスクは、クラス間の様々な類似性のため、標準分類から逸脱している。 トレーニング後、クラス類似性は、特にきめ細かいデータセットにおいて、マルチクラスデータセットに対して意味がある。
  論文  参考訳（メタデータ） (2021-07-13T13:05:11Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Adversarial Examples and Metrics [14.068394742881425]
  逆の例は、入力の誤分類を引き起こす機械学習(ML)システムに対する攻撃の一種である。 対象距離が不確実な場合のロバスト分類の限界について検討する。
  論文  参考訳（メタデータ） (2020-07-14T12:20:53Z)

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。