論文の概要: MIDAS at SemEval-2020 Task 10: Emphasis Selection using Label Distribution Learning and Contextual Embeddings

• arxiv url: http://arxiv.org/abs/2009.02619v1
• Date: Sun, 6 Sep 2020 00:15:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 08:22:30.364540
• Title: MIDAS at SemEval-2020 Task 10: Emphasis Selection using Label Distribution Learning and Contextual Embeddings
• Title（参考訳）: MIDAS at SemEval-2020 Task 10: Emphasis Selection using Label Distribution Learning and Contextual Embeddings
• Authors: Sarthak Anand, Pradyumna Gupta, Hemant Yadav, Debanjan Mahata, Rakesh Gosangi, Haimin Zhang, Rajiv Ratn Shah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.973153861604416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents our submission to the SemEval 2020 - Task 10 on emphasis selection in written text. We approach this emphasis selection problem as a sequence labeling task where we represent the underlying text with various contextual embedding models. We also employ label distribution learning to account for annotator disagreements. We experiment with the choice of model architectures, trainability of layers, and different contextual embeddings. Our best performing architecture is an ensemble of different models, which achieved an overall matching score of 0.783, placing us 15th out of 31 participating teams. Lastly, we analyze the results in terms of parts of speech tags, sentence lengths, and word ordering.
• Abstract（参考訳）: 本稿では,本論文のテキスト強調選択に関するsemval 2020 - task 10への提案について述べる。 我々は,この強調選択問題を,様々な文脈埋め込みモデルを用いて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。 また,アノテータの不一致を考慮したラベル分布学習も行った。 モデルアーキテクチャの選択、レイヤのトレーニング可能性、異なるコンテキストの埋め込みを実験します。 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。 最後に, 音声タグ, 文長, 単語の順序などの観点から分析を行った。

関連論文リスト

• LastResort at SemEval-2024 Task 3: Exploring Multimodal Emotion Cause Pair Extraction as Sequence Labelling Task [3.489826905722736]
  SemEval 2024は会話におけるマルチモーダル感情原因分析のタスクを導入している。 本稿では,この課題を発話ラベリングとシーケンスラベリングの問題として扱うモデルを提案する。 このタスクの公式リーダーボードでは、私たちのアーキテクチャは8位にランクされ、リーダーボードのF1スコアは0.1759でした。
  論文  参考訳（メタデータ） (2024-04-02T16:32:49Z)
• Natural Language Inference Prompts for Zero-shot Emotion Classification in Text across Corpora [11.986676998327864]
  特定のプロンプトの定式化の選択はコーパスに適合する必要があることを示す。 この課題は複数のプロンプトの組み合わせで対処可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-14T15:07:36Z)
• Enhanced Knowledge Selection for Grounded Dialogues via Document Semantic Graphs [123.50636090341236]
  本稿では,背景知識文書を自動的に文書意味グラフに変換することを提案する。 文書意味グラフは文ノードを用いて文レベル情報を保存し,文間の概念接続を提供する。 本実験により,HolEにおける知識選択タスクとエンドツーエンド応答生成タスクの双方において,意味グラフに基づく知識選択が文選択ベースラインよりも改善されることが示されている。
  論文  参考訳（メタデータ） (2022-06-15T04:51:32Z)
• A Structured Span Selector [100.0808682810258]
  本稿では,新しい文法に基づく構造化スパン選択モデルを提案する。 我々は、コア参照解決とセマンティックロールラベリングという2つの一般的なスパン予測タスクでモデルを評価した。
  論文  参考訳（メタデータ） (2022-05-08T23:58:40Z)
• 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)
• LTIatCMU at SemEval-2020 Task 11: Incorporating Multi-Level Features for Multi-Granular Propaganda Span Identification [70.1903083747775]
  本稿では,新聞記事におけるプロパガンダ・スパン識別の課題について述べる。 本稿では,BERT-BiLSTMに基づくプロパガンダ分類モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-11T16:14:47Z)
• 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)
• IITK at SemEval-2020 Task 10: Transformers for Emphasis Selection [8.352123313770552]
  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。
  論文  参考訳（メタデータ） (2020-07-21T14:05:56Z)
• 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。

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。