Fugu-MT 論文翻訳(概要): Reactive Supervision: A New Method for Collecting Sarcasm Data

論文の概要: Reactive Supervision: A New Method for Collecting Sarcasm Data

arxiv url: http://arxiv.org/abs/2009.13080v1
Date: Mon, 28 Sep 2020 05:04:22 GMT
ステータス: 処理完了
システム内更新日: 2022-10-13 22:15:44.866456
Title: Reactive Supervision: A New Method for Collecting Sarcasm Data
Title（参考訳）: Reactive Supervision: Sarcasmデータを収集する新しい方法
Authors: Boaz Shmueli, Lun-Wei Ku, Soumya Ray
Abstract要約: サーカスム検出は感情コンピューティングにおいて重要な課題である。本稿では,新しいデータ収集手法であるリアクティブ監視を導入する。我々は、皮肉なパースペクティブラベルと新しいコンテキスト機能を備えたツイートのデータセットを公開します。
参考スコア（独自算出の注目度）: 18.49336190569868
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sarcasm detection is an important task in affective computing, requiring large amounts of labeled data. We introduce reactive supervision, a novel data collection method that utilizes the dynamics of online conversations to overcome the limitations of existing data collection techniques. We use the new method to create and release a first-of-its-kind large dataset of tweets with sarcasm perspective labels and new contextual features. The dataset is expected to advance sarcasm detection research. Our method can be adapted to other affective computing domains, thus opening up new research opportunities.
Abstract（参考訳）: サーカズム検出は感情コンピューティングにおいて重要なタスクであり、大量のラベル付きデータを必要とする。本稿では,オンライン会話のダイナミクスを利用して,既存のデータ収集手法の限界を克服する新しいデータ収集手法であるリアクティブ監視を導入する。我々は,新しい手法を用いて,サカズム・パースペクティブ・ラベルと新しいコンテキスト機能を備えたツイートの初歩的な大規模データセットを作成し,公開する。データセットは、皮肉検出研究を進めることが期待されている。本手法は他の感情コンピューティング分野にも適用可能であり,新たな研究機会が開かれる。

関連論文リスト

Leveraging Skills from Unlabeled Prior Data for Efficient Online Exploration [54.8229698058649]
本研究では,未ラベルの事前軌跡データを用いて効率的な探索戦略を学習する方法について検討する。我々の手法 SUPE (Skills from Unlabeled Prior Data for Exploration) は、これらのアイデアの慎重な組み合わせがそれらの利点を兼ね備えていることを示す。実験により,SUPEが従来の戦略を確実に上回り,長い水平・スパース・リワードタスクの一組の解決に成功したことを実証的に示す。
論文参考訳（メタデータ） (2024-10-23T17:58:45Z)
Lifelong Event Detection with Embedding Space Separation and Compaction [30.05158209938146]
既存のイベント検出方法は、通常、メモリモジュールを保持し、新しいタスクの学習中に記憶されたメモリデータを再生する。メモリデータと新しいタスクサンプルの単純な組み合わせは、以前取得した知識をかなり忘れてしまう可能性がある。本稿では,空間分離とコンパクト化に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2024-04-03T06:51:49Z)
Semi-supervised Object Detection: A Survey on Recent Research and Progress [2.2398477810999817]
半教師対象検出(SSOD)は、高い研究価値と実践性のために、ますます注目されている。本稿では,5つの側面からSSODのアプローチに関する包括的かつ最新の調査を紹介する。
論文参考訳（メタデータ） (2023-06-25T02:54:03Z)
Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。本稿ではDDの最近の進歩とその応用について概説する。
論文参考訳（メタデータ） (2023-01-17T17:03:28Z)
DC-BENCH: Dataset Condensation Benchmark [79.18718490863908]
この研究は、データセットの凝縮に関する最初の大規模標準ベンチマークを提供する。それは、凝縮法の生成可能性と有効性を包括的に反映する一連の評価から成り立っている。ベンチマークライブラリは、将来の研究とアプリケーションを容易にするためにオープンソース化されている。
論文参考訳（メタデータ） (2022-07-20T03:54:05Z)
Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
論文参考訳（メタデータ） (2022-06-05T22:31:45Z)
The Challenges of Exploration for Offline Reinforcement Learning [8.484491887821473]
本稿では,情報的経験の収集と最適な行動の推測という,強化学習の2つのプロセスについて考察する。データ収集のタスクに依存しない設定は、タスクが優先順位を分かっていないが、特に興味がある。我々は、この分離されたフレームワークを使用して、探索に関する直感と効果的なオフラインRLのためのデータ前提条件を強化する。
論文参考訳（メタデータ） (2022-01-27T23:59:56Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
Can We Achieve More with Less? Exploring Data Augmentation for Toxic Comment Classification [0.0]
本稿では、機械学習における最大の制限の一つに対処する。我々は、データ拡張技術と機械学習アルゴリズムの組み合わせを利用して、小さなデータセットから高い精度の分類器を構築することができるかどうかを考察する。
論文参考訳（メタデータ） (2020-07-02T04:43:31Z)
Augmenting Data for Sarcasm Detection with Unlabeled Conversation Context [55.898436183096614]
本稿では,会話コンテキストを利用して意味のあるサンプルを生成する新しいデータ拡張手法であるCRA(Contextual Response Augmentation)を提案する。具体的には,提案手法を訓練し,FigLang2020の皮肉検出タスクに参加し,RedditとTwitterのデータセットで最高のパフォーマンスを実現した。
論文参考訳（メタデータ） (2020-06-11T09:00:11Z)

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。