Fugu-MT 論文翻訳(概要): On a Guided Nonnegative Matrix Factorization

論文の概要: On a Guided Nonnegative Matrix Factorization

arxiv url: http://arxiv.org/abs/2010.11365v2
Date: Fri, 5 Feb 2021 16:56:22 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 07:17:55.238574
Title: On a Guided Nonnegative Matrix Factorization
Title（参考訳）: 誘導非負行列分解について
Authors: Joshua Vendrow, Jamie Haddock, Elizaveta Rebrova, Deanna Needell
Abstract要約: 本研究では,非負行列分解(NMF)モデルに基づく手法を提案する。実験により,本モデルの可能性を実証し,極めて少ない監督情報しか持たない他の手法と競合することを示す。
参考スコア（独自算出の注目度）: 9.813862201223973
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fully unsupervised topic models have found fantastic success in document clustering and classification. However, these models often suffer from the tendency to learn less-than-meaningful or even redundant topics when the data is biased towards a set of features. For this reason, we propose an approach based upon the nonnegative matrix factorization (NMF) model, deemed \textit{Guided NMF}, that incorporates user-designed seed word supervision. Our experimental results demonstrate the promise of this model and illustrate that it is competitive with other methods of this ilk with only very little supervision information.
Abstract（参考訳）: 完全に教師なしのトピックモデルは、ドキュメントのクラスタリングと分類で素晴らしい成功を収めています。しかし、これらのモデルは、データが一連の機能に偏っているときに、あまり意味のない、あるいは冗長でないトピックを学ぶ傾向に苦しむことが多い。そこで本研究では,非負行列分解(NMF)モデルに基づくアプローチを提案する。実験により,本モデルの可能性を実証し,極めて少ない監督情報しか持たない他の手法と競合することを示す。

関連論文リスト

Constructing Concept-based Models to Mitigate Spurious Correlations with Minimal Human Effort [31.992947353231564]
概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、人間の理解可能な概念を通じて、モデルの振る舞いを開示し、導くための原則的な方法を提供する。本稿では,これらのバイアスに無害でありながら事前学習モデルを活用するために設計された新しいフレームワークを提案する。提案手法を複数のデータセット上で評価し,その解釈可能性を維持しつつ,素粒子相関によるモデル依存の低減効果を示した。
論文参考訳（メタデータ） (2024-07-12T03:07:28Z)
Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文参考訳（メタデータ） (2022-11-03T08:18:27Z)
Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文参考訳（メタデータ） (2022-10-28T17:52:10Z)
Probing of Quantitative Values in Abstractive Summarization Models [0.0]
入力テキスト中の定量値の抽象要約モデルによるモデリングの有効性を評価する。以上の結果から,最近のSOTA性能モデルのエンコーダは,量的価値を適切に表現する埋め込みの提供に苦慮していることが明らかとなった。
論文参考訳（メタデータ） (2022-10-03T00:59:50Z)
MRCLens: an MRC Dataset Bias Detection Toolkit [82.44296974850639]
MRCLensは,ユーザがフルモデルをトレーニングする前に,バイアスが存在するかどうかを検出するツールキットである。ツールキットの導入の便宜のために,MDCにおける共通バイアスの分類も提供する。
論文参考訳（メタデータ） (2022-07-18T21:05:39Z)
Flexible and Hierarchical Prior for Bayesian Nonnegative Matrix Factorization [4.913248451323163]
非負行列分解(NMF)を学習するための確率モデルを導入する。サイズや寸法の異なるMovieLens 100KやMovieLens 1Mなどの実世界のデータセットでモデルを評価した。
論文参考訳（メタデータ） (2022-05-23T03:51:55Z)
Semi-supervised Nonnegative Matrix Factorization for Document Classification [6.577559557980527]
文書分類のための半教師付き非負行列分解(SSNMF)モデルを提案する。我々は,各新モデルに対して乗算的更新を用いたトレーニング手法を導出し,これらのモデルの単一ラベルおよび多ラベル文書分類への応用を実証する。
論文参考訳（メタデータ） (2022-02-28T19:00:49Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
Towards Debiasing NLU Models from Unknown Biases [70.31427277842239]
NLUモデルは、しばしばバイアスを利用して、意図したタスクを適切に学習することなく、データセット固有の高いパフォーマンスを達成する。本稿では、モデルがバイアスを事前に知ることなく、主にバイアスを利用するのを防ぐ自己バイアスフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-25T15:49:39Z)
Explainable Matrix -- Visualization for Global and Local Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。 ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文参考訳（メタデータ） (2020-05-08T21:03:48Z)

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。