論文の概要: Unseen Target Stance Detection with Adversarial Domain Generalization
- arxiv url: http://arxiv.org/abs/2010.05471v1
- Date: Mon, 12 Oct 2020 06:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:38:29.054236
- Title: Unseen Target Stance Detection with Adversarial Domain Generalization
- Title(参考訳): 対向領域一般化による未知のターゲットスタンス検出
- Authors: Zhen Wang, Qiansheng Wang, Chengguo Lv, Xue Cao and Guohong Fu
- Abstract要約: 本研究では,ターゲット間の領域差を調査し,敵領域の一般化による注意に基づく条件付き符号化を取り入れ,未知の目標位置検出を行う。
実験の結果,SemEval-2016データセット上での最先端性能が得られた。
- 参考スコア(独自算出の注目度): 6.7965816435718995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although stance detection has made great progress in the past few years, it
is still facing the problem of unseen targets. In this study, we investigate
the domain difference between targets and thus incorporate attention-based
conditional encoding with adversarial domain generalization to perform unseen
target stance detection. Experimental results show that our approach achieves
new state-of-the-art performance on the SemEval-2016 dataset, demonstrating the
importance of domain difference between targets in unseen target stance
detection.
- Abstract(参考訳): 過去数年間、姿勢検出は大きな進歩を遂げてきたが、まだ目立たない標的の問題に直面している。
本研究では,ターゲット間の領域差を調査し,注意に基づく条件付きエンコーディングと敵対的ドメイン一般化を組み込むことにより,対象とする姿勢検出を行う。
実験の結果,本手法はsemeval-2016データセット上で新たな最先端性能を達成し,目標間のドメイン間差異の重要性を実証した。
関連論文リスト
- STANCE-C3: Domain-adaptive Cross-target Stance Detection via Contrastive
Learning and Counterfactual Generation [16.586730118466996]
本稿では,ドメイン適応型クロスターゲット STANCE をコントラスト学習と対実生成により生成する新しいスタンス検出モデルを提案する。
その結果,STANCE-C3は既存の最先端手法よりも性能が向上していることが判明した。
論文 参考訳(メタデータ) (2023-09-26T18:19:51Z) - Guiding Computational Stance Detection with Expanded Stance Triangle
Framework [25.2980607215715]
スタンス検出は、テキストの著者が指定されたターゲットに対して有利か、反対か、中立かを決定する。
本稿では,言語的観点からスタンス検出タスクを分解し,このタスクにおける重要な構成要素と推論経路について検討する。
論文 参考訳(メタデータ) (2023-05-31T13:33:29Z) - Self-training through Classifier Disagreement for Cross-Domain Opinion
Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。
最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。
そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文 参考訳(メタデータ) (2023-02-28T16:31:17Z) - CLIP the Gap: A Single Domain Generalization Approach for Object
Detection [60.20931827772482]
単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。
本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。
本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
論文 参考訳(メタデータ) (2023-01-13T12:01:18Z) - Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。
新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
論文 参考訳(メタデータ) (2022-12-13T08:42:39Z) - Mere Contrastive Learning for Cross-Domain Sentiment Analysis [23.350121129347556]
クロスドメイン感情分析は、ソースドメインでトレーニングされたモデルを使用して、ターゲットドメイン内のテキストの感情を予測することを目的としている。
従来の研究はほとんどがクロスエントロピーに基づく手法であり、不安定性や一般化の低さに悩まされていた。
我々は,同じクラスからの文表現を閉じるように,バッチ内の負のサンプルを付加した改良されたコントラスト目的を提案する。
論文 参考訳(メタデータ) (2022-08-18T07:25:55Z) - Cross Domain Object Detection by Target-Perceived Dual Branch
Distillation [49.68119030818388]
クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。
本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。
私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
論文 参考訳(メタデータ) (2022-05-03T03:51:32Z) - Adapting Vehicle Detector to Target Domain by Adversarial Prediction
Alignment [5.144513690855333]
予測出力空間を整列するオブジェクト検出のための新しい領域適応手法を提案する。
特徴のアライメントに加えて、敵の訓練による衛星画像に対する車両検出器の位置とクラス信頼性の予測を整列させた。
論文 参考訳(メタデータ) (2021-07-06T06:21:39Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳(メタデータ) (2020-12-03T00:07:40Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳(メタデータ) (2020-03-23T13:40:06Z)
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。