Fugu-MT 論文翻訳(概要): Unseen Target Stance Detection with Adversarial Domain Generalization

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

Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
論文参考訳（メタデータ） (2024-10-09T17:24:28Z)
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)
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)
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。