論文の概要: A Simple and Effective Self-Supervised Contrastive Learning Framework for Aspect Detection

• arxiv url: http://arxiv.org/abs/2009.09107v2
• Date: Thu, 31 Dec 2020 04:57:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 03:27:38.472235
• Title: A Simple and Effective Self-Supervised Contrastive Learning Framework for Aspect Detection
• Title（参考訳）: アスペクト検出のための単純かつ効果的な自己教師付きコントラスト学習フレームワーク
• Authors: Tian Shi and Liuqing Li and Ping Wang and Chandan K. Reddy
• Abstract要約: UADタスクのための新しいスムーズな自己意識(SSA)モジュールを備えた自己教師付きコントラスト学習フレームワークとアテンションベースモデルを提案する。 提案手法は, 公開されているベンチマークユーザレビューデータセットにおいて, 教師なし, 弱教師付きアプローチよりも優れている。
• 参考スコア（独自算出の注目度）: 15.36713547251997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised aspect detection (UAD) aims at automatically extracting interpretable aspects and identifying aspect-specific segments (such as sentences) from online reviews. However, recent deep learning-based topic models, specifically aspect-based autoencoder, suffer from several problems, such as extracting noisy aspects and poorly mapping aspects discovered by models to the aspects of interest. To tackle these challenges, in this paper, we first propose a self-supervised contrastive learning framework and an attention-based model equipped with a novel smooth self-attention (SSA) module for the UAD task in order to learn better representations for aspects and review segments. Secondly, we introduce a high-resolution selective mapping (HRSMap) method to efficiently assign aspects discovered by the model to aspects of interest. We also propose using a knowledge distilling technique to further improve the aspect detection performance. Our methods outperform several recent unsupervised and weakly supervised approaches on publicly available benchmark user review datasets. Aspect interpretation results show that extracted aspects are meaningful, have good coverage, and can be easily mapped to aspects of interest. Ablation studies and attention weight visualization also demonstrate the effectiveness of SSA and the knowledge distilling method.
• Abstract（参考訳）: unsupervised aspect detection (uad) は、解釈可能なアスペクトを自動的に抽出し、オンラインレビューからアスペクト固有のセグメント(文など)を識別することを目的としている。 しかし、近年のディープラーニングベースのトピックモデル、特にアスペクトベースのオートエンコーダは、ノイズのある側面の抽出や、モデルによって発見された貧弱な側面の関心の面へのマッピングなど、いくつかの問題に悩まされている。 これらの課題に対処するために,我々はまず,アスペクトの表現性の向上とセグメントのレビューを行うために,UDAタスクのための新しいスムーズな自己意識(SSA)モジュールを備えた,自己指導型コントラスト学習フレームワークとアテンションベースモデルを提案する。 次に,高分解能選択写像(HRSMap)法を導入し,モデルによって発見されたアスペクトを関心のあるアスペクトに効率的に割り当てる。 また,知識蒸留技術を用いてアスペクト検出性能をさらに向上することを提案する。 提案手法は,最近公表されたベンチマークユーザレビューデータセットにおける非教師なしかつ弱い教師付きアプローチを上回っている。 アスペクト解釈の結果は、抽出されたアスペクトが意味を持ち、カバレッジが良く、興味のあるアスペクトに容易にマッピングできることを示している。 アブレーション研究と注目重量可視化は, SSAと知識蒸留法の有効性を示した。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Cross-Target Stance Detection: A Survey of Techniques, Datasets, and Challenges [7.242609314791262]
  クロスターゲットスタンス検出(クロスターゲットスタンス検出)は、テキストで表現された視点を所定のターゲットに向けて決定するタスクである。 オンラインの視点や意見の分析やマイニングの必要性が高まる中、このタスクは近年大きな関心を集めている。 本総説では,過去10年間の目標間姿勢検出の進歩について検討する。
  論文  参考訳（メタデータ） (2024-09-20T15:49:14Z)
• Deep Learning for Video Anomaly Detection: A Review [52.74513211976795]
  ビデオ異常検出(VAD)は、ビデオの正常性から逸脱する行動や事象を発見することを目的としている。 ディープラーニングの時代には、VADタスクには、さまざまなディープラーニングベースの方法が常に現れています。 このレビューでは、半教師付き、弱教師付き、完全教師付き、非教師付き、オープンセットの5つのカテゴリのスペクトルについて取り上げる。
  論文  参考訳（メタデータ） (2024-09-09T07:31:16Z)
• Emotic Masked Autoencoder with Attention Fusion for Facial Expression Recognition [1.4374467687356276]
  本稿では,MAE-Face self-supervised learning (SSL) 法と多視点融合注意機構を組み合わせた表現分類手法を提案する。 我々は、重要な顔の特徴を強調表示して、そのような機能がモデルのガイドとして機能するかどうかを判断することを目的とした、実装が容易でトレーニングなしのフレームワークを提案する。 Aff-wild2データセットにおけるモデル性能の改善により,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-03-19T16:21:47Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• A Self-Distillation Embedded Supervised Affinity Attention Model for Few-Shot Segmentation [18.417460995287257]
  そこで本研究では,少数ショットセグメンテーションタスクの性能向上のために,自己拡張型教師付きアフィニティアフィニティアテンションモデルを提案する。 我々のモデルは既存の手法と比較して性能を著しく改善する。 COCO-20iデータセットでは、新しい最先端結果が得られる。
  論文  参考訳（メタデータ） (2021-08-14T18:16:12Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• SparseBERT: Rethinking the Importance Analysis in Self-attention [107.68072039537311]
  トランスフォーマーベースのモデルは、その強力な能力のために自然言語処理(NLP)タスクに人気がある。 事前学習モデルの注意マップの可視化は,自己着脱機構を理解するための直接的な方法の一つである。 本研究では,sparsebert設計の指導にも適用可能な微分可能アテンションマスク(dam)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:13:44Z)
• Understanding Failures of Deep Networks via Robust Feature Extraction [44.204907883776045]
  本研究では,視覚的特徴を識別し,不在や不在がパフォーマンスの低下を招き,失敗を特徴づけ,説明することを目的とした手法を紹介し,検討する。 我々は、分離されたロバストモデルの表現を活用して、解釈可能な特徴を抽出し、これらの特徴を利用して障害モードを特定します。
  論文  参考訳（メタデータ） (2020-12-03T08:33:29Z)
• Can Semantic Labels Assist Self-Supervised Visual Representation Learning? [194.1681088693248]
  近隣環境におけるコントラスト調整(SCAN)という新しいアルゴリズムを提案する。 一連のダウンストリームタスクにおいて、SCANは従来の完全教師付きおよび自己教師付きメソッドよりも優れたパフォーマンスを達成する。 本研究は, セマンティックラベルが自己指導的手法の補助に有用であることを明らかにする。
  論文  参考訳（メタデータ） (2020-11-17T13:25:00Z)
• Toward Tag-free Aspect Based Sentiment Analysis: A Multiple Attention Network Approach [12.100371588940256]
  マルチアテンションネットワーク(MAN)は、テキストレビューからアスペクトレベルと全体的な感情を抽出することができる。 我々は、他の最先端のABSAアプローチと比較して、MANの強い性能を示す広範囲な実験を行った。
  論文  参考訳（メタデータ） (2020-03-22T20:18:20Z)

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。