論文の概要: YNU-HPCC at SemEval-2020 Task 11: LSTM Network for Detection of
Propaganda Techniques in News Articles
- arxiv url: http://arxiv.org/abs/2008.10166v2
- Date: Tue, 25 Aug 2020 11:03:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 12:16:55.213360
- Title: YNU-HPCC at SemEval-2020 Task 11: LSTM Network for Detection of
Propaganda Techniques in News Articles
- Title（参考訳）: YNU-HPCC at SemEval-2020 Task 11: LSTM Network for Detection of Propaganda Techniques in News Articles
- Authors: Jiaxu Dao, Jin Wang, Xuejie Zhang
- Abstract要約: 本稿では,SemEval-2020タスク11におけるニュース記事のプロパガンダ検出手法について概説する。
本稿では,GloVe単語表現,BERT事前学習モデル,LSTMモデルアーキテクチャを実装した。
本手法は, テストセットにおいて, SIおよびTCサブタスクのランクが17位, 22位, それぞれ有意に向上した。
- 参考スコア（独自算出の注目度）: 5.352512345142247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper summarizes our studies on propaganda detection techniques for news
articles in the SemEval-2020 task 11. This task is divided into the SI and TC
subtasks. We implemented the GloVe word representation, the BERT pretraining
model, and the LSTM model architecture to accomplish this task. Our approach
achieved good results for both the SI and TC subtasks. The macro-F1-score for
the SI subtask is 0.406, and the micro-F1-score for the TC subtask is 0.505.
Our method significantly outperforms the officially released baseline method,
and the SI and TC subtasks rank 17th and 22nd, respectively, for the test set.
This paper also compares the performances of different deep learning model
architectures, such as the Bi-LSTM, LSTM, BERT, and XGBoost models, on the
detection of news promotion techniques. The code of this paper is availabled
at: https://github.com/daojiaxu/semeval_11.
- Abstract（参考訳）: 本稿では,ニュース記事のプロパガンダ検出手法に関するsemeval-2020タスク11における研究をまとめる。
このタスクはSIサブタスクとTCサブタスクに分けられる。
本稿では,GloVe単語表現,BERT事前学習モデル,LSTMモデルアーキテクチャを実装した。
提案手法はSIサブタスクとTCサブタスクの両方に対して良好な結果を得た。
SIサブタスクのマクロF1スコアは0.406であり、TCサブタスクのマイクロF1スコアは0.505である。
本手法は, テストセットに対してsiとtcのサブタスクがそれぞれ17位, tcが22位と, 公式のベースラインメソッドを大幅に上回っている。
本稿では,Bi-LSTM,LSTM,BERT,XGBoostなど,さまざまなディープラーニングモデルアーキテクチャの性能を,ニュースプロモーション手法の検出において比較する。
この論文のコードは、https://github.com/daojiaxu/semeval_11で入手できる。
関連論文リスト
- RoBLEURT Submission for the WMT2021 Metrics Task [72.26898579202076]
本稿では,共有メトリクスタスクであるRoBLEURTについて紹介する。
我々のモデルは10対の英語言語対のうち8対でWMT 2020の人間のアノテーションと最先端の相関に達する。
論文 参考訳（メタデータ） (2022-04-28T08:49:40Z) - Learning to Win Lottery Tickets in BERT Transfer via Task-agnostic Mask
Training [55.43088293183165]
近年の研究では、BERTのような事前学習言語モデル(PLM)には、元のPLMと同じような変換学習性能を持つマッチングワークが含まれていることが示されている。
本稿では, BERTworksがこれらの研究で示された以上の可能性を秘めていることを示す。
我々は、サブネットワークの普遍的な転送可能性を維持することを目的として、事前学習タスクのモデル重みよりも二項マスクを訓練する。
論文 参考訳（メタデータ） (2022-04-24T08:42:47Z) - Improving Deep Learning for HAR with shallow LSTMs [70.94062293989832]
本稿では,DeepConvLSTMを2層LSTMではなく1層LSTMに変更することを提案する。
この結果は、シーケンシャルデータを扱う場合、少なくとも2層LSTMが必要であるという信念とは対照的である。
論文 参考訳（メタデータ） (2021-08-02T08:14:59Z) - The USYD-JD Speech Translation System for IWSLT 2021 [85.64797317290349]
本稿では,シドニー大学とJDが共同でIWSLT 2021低リソース音声翻訳タスクを提出したことを述べる。
私たちは、公式に提供されたASRとMTデータセットでモデルをトレーニングしました。
翻訳性能の向上を目的として, バック翻訳, 知識蒸留, 多機能再構成, トランスダクティブファインタニングなど, 最新の効果的な手法について検討した。
論文 参考訳（メタデータ） (2021-07-24T09:53:34Z) - TechTexC: Classification of Technical Texts using Convolution and
Bidirectional Long Short Term Memory Network [0.0]
3つの手法を用いて分類処理を行うための分類システム(TechTexC)を開発した。
その結果,BiLSTMモデルを用いたCNNは,サブタスク (a,b,c,g) とタスク-2aのタスク-1に関する他の手法よりも優れていた。
テストセットの場合、cnnとbilstmの併用により、サブタスク1a (70.76%), 1b (79.97%), 1c (65.45%), 1g (49.23%), 2a (70.14%) の精度が向上した。
論文 参考訳（メタデータ） (2020-12-21T15:22:47Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z) - syrapropa at SemEval-2020 Task 11: BERT-based Models Design For
Propagandistic Technique and Span Detection [2.0051855303186046]
まず,SpanBERTに基づくSpan Identification(SI)モデルを構築し,より深いモデルと文レベルの表現による検出を容易にする。
次に、テクニック分類(TC)のためのハイブリッドモデルを開発する。
ハイブリッドモデルは、2つのBERTモデルと異なるトレーニング方法、特徴ベースのロジスティック回帰モデルを含む3つのサブモデルで構成されている。
論文 参考訳（メタデータ） (2020-08-24T02:15:29Z) - DUTH at SemEval-2020 Task 11: BERT with Entity Mapping for Propaganda
Classification [1.5469452301122173]
本報告では,SemEval-2020 Task 11: Detection of Propaganda Techniques in News Articlesに参加するために,Democritus University of Thrace(DUTH)チームが採用した手法について述べる。
論文 参考訳（メタデータ） (2020-08-22T18:18:02Z) - CyberWallE at SemEval-2020 Task 11: An Analysis of Feature Engineering
for Ensemble Models for Propaganda Detection [0.0]
Span Identification subtask ではバイLSTMアーキテクチャを使用し、Technical Classification subtask の複雑なアンサンブルモデルを訓練する。
我々のシステムは、SIサブタスクで35チーム中8チーム、TCサブタスクで31チーム中8チームを達成する。
論文 参考訳（メタデータ） (2020-08-22T15:51:16Z) - NoPropaganda at SemEval-2020 Task 11: A Borrowed Approach to Sequence
Tagging and Text Classification [0.0]
本稿では,SemEval-2020 Task 11: Detection of Propaganda Techniques in News Articlesについて述べる。
簡単なLSTMベースラインから始まり、自動回帰変換器デコーダに移行し、最初のサブタスクで長い連続プロパガンダ幅を予測する。
また,2番目のプロパガンダ手法分類のための特別なトークンを付して,上述のスパンを包み込み,関係抽出からのアプローチを採用した。
論文 参考訳（メタデータ） (2020-07-25T11:35:57Z) - Device-Robust Acoustic Scene Classification Based on Two-Stage
Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。
タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。
Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文 参考訳（メタデータ） (2020-07-16T15:07:14Z)
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。