論文の概要: Classifier Combination Approach for Question Classification for Bengali Question Answering System

• arxiv url: http://arxiv.org/abs/2008.13597v2
• Date: Sun, 6 Sep 2020 14:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 06:35:55.529173
• Title: Classifier Combination Approach for Question Classification for Bengali Question Answering System
• Title（参考訳）: ベンガル質問応答システムにおける質問分類のための分類器結合アプローチ
• Authors: Somnath Banerjee, Sudip Kumar Naskar, Paolo Rosso and Sivaji Bandyopadhyay
• Abstract要約: 本研究は, ベンガルの質問分類課題において, 既存の個人モデルよりも, 複数モデルの組み合わせにより, より良い分類性能が得られることを示した。 我々は、QCの精度を高めるために、最先端のマルチモデル組み合わせ技術、すなわちアンサンブル、積み重ね、投票を利用した。 ここで提示されるアプローチは、他のインド・アーリア語やインド語で質問応答システムを開発するために使用することができる。
• 参考スコア（独自算出の注目度）: 17.567099458403707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question classification (QC) is a prime constituent of automated question answering system. The work presented here demonstrates that the combination of multiple models achieve better classification performance than those obtained with existing individual models for the question classification task in Bengali. We have exploited state-of-the-art multiple model combination techniques, i.e., ensemble, stacking and voting, to increase QC accuracy. Lexical, syntactic and semantic features of Bengali questions are used for four well-known classifiers, namely Na\"{\i}ve Bayes, kernel Na\"{\i}ve Bayes, Rule Induction, and Decision Tree, which serve as our base learners. Single-layer question-class taxonomy with 8 coarse-grained classes is extended to two-layer taxonomy by adding 69 fine-grained classes. We carried out the experiments both on single-layer and two-layer taxonomies. Experimental results confirmed that classifier combination approaches outperform single classifier classification approaches by 4.02% for coarse-grained question classes. Overall, the stacking approach produces the best results for fine-grained classification and achieves 87.79% of accuracy. The approach presented here could be used in other Indo-Aryan or Indic languages to develop a question answering system.
• Abstract（参考訳）: 質問分類(QC)は自動質問応答システムの主要な構成要素である。 本研究は, ベンガルの質問分類課題において, 既存の個人モデルよりも, 複数モデルの組み合わせにより, より良い分類性能が得られることを示した。 我々は、QCの精度を高めるために、最先端のマルチモデル組み合わせ技術、すなわちアンサンブル、積み重ね、投票を利用した。 ベンガルの質問の語彙的、構文的、意味的特徴は、4つのよく知られた分類器(na\"{\i}ve bayes, kernel na\"{\i}ve bayes, rule induction, and decision tree)で使われ、基礎学習者として機能する。 8つの粗粒クラスを持つ単層質問クラス分類は、69個の細粒クラスを追加して2層分類に拡張される。 単層および二層分類の両方で実験を行った。 実験結果から,大まかな質問クラスでは,分類器の組み合わせが単一分類器の分類方法より4.02%優れていた。 全体として、積み重ね手法はきめ細かな分類に最適な結果をもたらし、精度は87.79%に達する。 ここで提示されるアプローチは、質問応答システムを開発するために、他のインド・アーリア語またはインド語言語で使用できる。

関連論文リスト

• Multi-Label Requirements Classification with Large Taxonomies [40.588683959176116]
  大規模ラベルによる多ラベル要求分類は、要求のトレーサビリティを補助するが、教師付きトレーニングでは違法にコストがかかる。 私たちは129の要件を,250から1183のクラスから769のラベルに関連付けました。 文ベース分類は単語ベース分類と比較して有意に高いリコール率を示した。 階層的な分類戦略は要求分類の性能を必ずしも改善しなかった。
  論文  参考訳（メタデータ） (2024-06-07T09:53:55Z)
• Prompt Algebra for Task Composition [131.97623832435812]
  素早いチューニングを伴うビジュアル言語モデルを基本分類器として検討する。 合成分類器の性能向上のための制約付きプロンプトチューニングを提案する。 UTZapposでは、最高のベースモデルに対する分類精度を平均8.45%向上させる。
  論文  参考訳（メタデータ） (2023-06-01T03:20:54Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Two is Better than Many? Binary Classification as an Effective Approach to Multi-Choice Question Answering [43.35258958775454]
  正のインスタンスと正のインスタンスと負のインスタンスとを分類することは、さまざまなモデルやデータセットにおいて、はるかに効果的であることを示す。 当社のDeBERTaバイナリ分類モデルは、さまざまなタスクのための公開リーダボードの上位あるいは上位に到達します。
  論文  参考訳（メタデータ） (2022-10-29T05:11:45Z)
• A Top-down Supervised Learning Approach to Hierarchical Multi-label Classification in Networks [0.21485350418225244]
  本稿では,階層型マルチラベル分類(HMC)に対する一般的な予測モデルを提案する。 クラスごとの局所分類器を構築することで教師あり学習により階層的マルチラベル分類に対処するトップダウン分類アプローチに基づいている。 本モデルでは, イネOryza sativa Japonicaの遺伝子機能の予測について事例研究を行った。
  論文  参考訳（メタデータ） (2022-03-23T17:29:17Z)
• Set-valued prediction in hierarchical classification with constrained representation complexity [4.258263831866309]
  階層的多クラス分類問題に焦点をあて、有効集合が階層の内部ノードに対応する。 我々は3つの手法を提案し、それらをベンチマークデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-03-13T15:13:19Z)
• Can Taxonomy Help? Improving Semantic Question Matching using Question Taxonomy [37.57300969050908]
  セマンティックな質問マッチングのためのハイブリッド手法を提案する。 深層学習に基づく質問から得られた質問クラスで最先端のディープラーニングモデルを強化することにより、提案された2層分類を英語の質問に使用します。
  論文  参考訳（メタデータ） (2021-01-20T16:23:04Z)
• 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)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。