Fugu-MT 論文翻訳(概要): A Multi-Task Incremental Learning Framework with Category Name Embedding for Aspect-Category Sentiment Analysis

論文の概要: A Multi-Task Incremental Learning Framework with Category Name Embedding for Aspect-Category Sentiment Analysis

arxiv url: http://arxiv.org/abs/2010.02784v1
Date: Tue, 6 Oct 2020 14:52:54 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 05:19:04.121914
Title: A Multi-Task Incremental Learning Framework with Category Name Embedding for Aspect-Category Sentiment Analysis
Title（参考訳）: アスペクトカテゴリー感情分析のためのカテゴリ名埋め込み型多タスクインクリメンタル学習フレームワーク
Authors: Zehui Dai, Cheng Peng, Huajie Chen, and Yadong Ding
Abstract要約: Category Name Embedding Network (CNE-net) は(T)ACSAインクリメンタルラーニングのために提案されている。モデルは2つの(T)ACSAベンチマークデータセットで最先端を達成した。
参考スコア（独自算出の注目度）: 4.963691185500915
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: (T)ACSA tasks, including aspect-category sentiment analysis (ACSA) and targeted aspect-category sentiment analysis (TACSA), aims at identifying sentiment polarity on predefined categories. Incremental learning on new categories is necessary for (T)ACSA real applications. Though current multi-task learning models achieve good performance in (T)ACSA tasks, they suffer from catastrophic forgetting problems in (T)ACSA incremental learning tasks. In this paper, to make multi-task learning feasible for incremental learning, we proposed Category Name Embedding network (CNE-net). We set both encoder and decoder shared among all categories to weaken the catastrophic forgetting problem. Besides the origin input sentence, we applied another input feature, i.e., category name, for task discrimination. Our model achieved state-of-the-art on two (T)ACSA benchmark datasets. Furthermore, we proposed a dataset for (T)ACSA incremental learning and achieved the best performance compared with other strong baselines.
Abstract（参考訳）: (T)アスペクトカテゴリー感情分析(ACSA)や対象アスペクトカテゴリ感情分析(TACSA)を含むACSAタスクは、予め定義されたカテゴリ上での感情極性を特定することを目的としている。新しいカテゴリの増分学習は(T)ACSAの実応用に必要である。現在のマルチタスク学習モデルは(T)ACSAタスクでは優れた性能を発揮するが、(T)ACSAインクリメンタル学習タスクでは破滅的な忘れの問題に悩まされる。本稿では,段階的な学習が可能なマルチタスク学習を実現するために,カテゴリ名埋め込みネットワーク(CNE-net)を提案する。我々は,全カテゴリで共有するエンコーダとデコーダをそれぞれ設定し,破滅的な忘れる問題を軽減した。原文入力文の他に、タスク識別のために別の入力特徴、すなわちカテゴリ名を適用した。我々のモデルは2つの(T)ACSAベンチマークデータセット上で最先端を達成した。さらに,(t)acsaインクリメンタル学習のためのデータセットを提案し,他の強力なベースラインと比較して最高のパフォーマンスを達成した。

関連論文リスト

Deep Content Understanding Toward Entity and Aspect Target Sentiment Analysis on Foundation Models [0.8602553195689513]
Entity-Aspect Sentiment Triplet extract (EASTE)は、Aspect-Based Sentiment Analysisタスクである。本研究は,EASTEタスクにおける高性能化を目標とし,モデルサイズ,タイプ,適応技術がタスクパフォーマンスに与える影響について検討する。最終的には、複雑な感情分析における詳細な洞察と最先端の成果を提供する。
論文参考訳（メタデータ） (2024-07-04T16:48:14Z)
It is Simple Sometimes: A Study On Improving Aspect-Based Sentiment Analysis Performance [3.951769809066429]
タスク記述にNLP関連タスクプレフィックスを付加することにより、命令学習パラダイムの拡張であるPFInstructを提案する。この単純なアプローチは全てのテストされたSemEvalサブタスクのパフォーマンスを改善し、ATEサブタスク(Rest14)の以前の状態(SOTA)を+3.28 F1スコア、AOOEサブタスクの平均+5.43 F1スコアで上回った。
論文参考訳（メタデータ） (2024-05-31T08:57:09Z)
Enhanced Coherence-Aware Network with Hierarchical Disentanglement for Aspect-Category Sentiment Analysis [12.024076910894417]
本稿では,ACSAタスクの階層的絡み合い(ECAN)を考慮したコヒーレンス対応ネットワークを提案する。我々は,コヒーレンス表現に絡み合った複数のカテゴリと感情を効果的に分離し,SOTA(State-of-the-art)のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-03-15T11:32:44Z)
Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。我々の手法は代表的基準よりも一貫して性能が良い。
論文参考訳（メタデータ） (2022-10-10T12:37:41Z)
Query-Guided Networks for Few-shot Fine-grained Classification and Person Search [93.80556485668731]
微粒な分類や人物検索は、個別のタスクとして現れ、文学はそれらを別々に扱ってきた。両タスクに適用可能な新しい統合クエリガイドネットワーク(QGN)を提案する。 QGNは、最近の数ショットのきめ細かいデータセットを改善し、CUB上の他のテクニックを大きなマージンで上回っている。
論文参考訳（メタデータ） (2022-09-21T10:25:32Z)
Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
論文参考訳（メタデータ） (2022-04-08T00:55:15Z)
DisCoDisCo at the DISRPT2021 Shared Task: A System for Discourse Segmentation, Classification, and Connective Detection [4.371388370559826]
我々のシステムはDisCoDisCoと呼ばれ、コンテキスト化された単語の埋め込みを手作りの機能で強化する。関係分類の結果は、新しい2021ベンチマークで強い性能を示している。複数の事前学習されたトランスフォーマーベース言語モデルの部分評価は、Next Sentence Predictionタスクで事前学習されたモデルが関係分類に最適であることを示している。
論文参考訳（メタデータ） (2021-09-20T18:11:05Z)
Category Contrast for Unsupervised Domain Adaptation in Visual Tasks [92.9990560760593]
本稿では,視覚的 UDA タスクのインスタンス識別に先立って,セマンティックな事前情報を導入した新しいカテゴリコントラスト手法(CaCo)を提案する。 CaCoは既存のUDAメソッドを補完し、半教師付き学習や教師なしモデル適応などの他の学習設定に一般化可能である。
論文参考訳（メタデータ） (2021-06-05T12:51:35Z)
Multitask Learning for Class-Imbalanced Discourse Classification [74.41900374452472]
マルチタスクアプローチは,現在のベンチマークで7%のマイクロf1コアを改善できることを示す。また,NLPにおける資源不足問題に対処するための追加手法の比較検討を行った。
論文参考訳（メタデータ） (2021-01-02T07:13:41Z)
An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment Analysis [73.7488524683061]
本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。 3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
論文参考訳（メタデータ） (2020-04-04T13:49:54Z)

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。