論文の概要: EmotionGIF-IITP-AINLPML: Ensemble-based Automated Deep Neural System for predicting category(ies) of a GIF response

• arxiv url: http://arxiv.org/abs/2012.12756v1
• Date: Wed, 23 Dec 2020 15:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 23:17:15.518152
• Title: EmotionGIF-IITP-AINLPML: Ensemble-based Automated Deep Neural System for predicting category(ies) of a GIF response
• Title（参考訳）: EmotionGIF-IITP-AINLPML: Ansemble-based Automated Deep Neural System for predicting category(ies) of a GIF response
• Authors: Soumitra Ghosh, Arkaprava Roy, Asif Ekbal and Pushpak Bhattacharyya
• Abstract要約: 我々は,我々のIITP-AINLPMLチームが提出したシステムについて,SocialNLP 2020, EmotionGIF 2020の共有タスクで述べる。 提案モデルでは,第1ラウンドと第2ラウンドでは平均リコール(MR)スコアが52.92%,第53.80%であった。
• 参考スコア（独自算出の注目度）: 41.23094507923245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we describe the systems submitted by our IITP-AINLPML team in the shared task of SocialNLP 2020, EmotionGIF 2020, on predicting the category(ies) of a GIF response for a given unlabelled tweet. For the round 1 phase of the task, we propose an attention-based Bi-directional GRU network trained on both the tweet (text) and their replies (text wherever available) and the given category(ies) for its GIF response. In the round 2 phase, we build several deep neural-based classifiers for the task and report the final predictions through a majority voting based ensemble technique. Our proposed models attain the best Mean Recall (MR) scores of 52.92% and 53.80% in round 1 and round 2, respectively.
• Abstract（参考訳）: 本稿では,我々のIITP-AINLPMLチームが提出したシステムについて述べる。このシステムは,与えられたツイートに対するGIF応答のカテゴリ(e)を予測するためのSocialNLP 2020,EmotionGIF 2020の共有タスクである。 本研究は,タスクの1段階目において,ツイート(テキスト)と応答(テキストがどこにあるか)とGIF応答のカテゴリ(e)の両方に基づいて学習した,注目に基づく双方向GRUネットワークを提案する。 第2ラウンドでは、タスクのためのディープニューラルネットワークベースの分類器を構築し、多数決に基づくアンサンブル手法を用いて最終予測を報告する。 提案したモデルでは,各ラウンド1とラウンド2でそれぞれ52.92%,53.80%の平均リコール(MR)スコアが得られた。

関連論文リスト

• Context-aware Proposal Network for Temporal Action Detection [47.72048484299649]
  本報告では,CVPR-2022 AcitivityNet Challengeにおける時間的行動検出タスクの初当選ソリューションについて述べる。 このタスクは、アクションインスタンスの時間的境界を、長い未トリミングビデオの特定のクラスにローカライズすることを目的としている。 生成した提案にはリッチな文脈情報が含まれており、検出信頼度予測の恩恵を受ける可能性があると論じる。
  論文  参考訳（メタデータ） (2022-06-18T01:43:43Z)
• Overview of the TREC 2020 Fair Ranking Track [64.16623297717642]
  本稿は、NIST TREC 2020 Fair Ranking trackの概要を示す。 フェア・ランキング・トラックの中心的な目標は、様々な作家グループに公正な露出を提供することである。
  論文  参考訳（メタデータ） (2021-08-11T10:22:05Z)
• Predicting Deep Neural Network Generalization with Perturbation Response Curves [58.8755389068888]
  トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。 具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。 PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
  論文  参考訳（メタデータ） (2021-06-09T01:37:36Z)
• WASSA@IITK at WASSA 2021: Multi-task Learning and Transformer Finetuning for Emotion Classification and Empathy Prediction [0.0]
  本稿では,共感予測と感情分類に関するWASSA 2021共有タスクへの貢献について述べる。 このタスクの幅広い目標は、誰かへの危害に関連する新聞記事に反応して書かれたエッセイの共感スコア、苦難スコア、全体的な感情レベルをモデル化することであった。 ELECTRAモデルを豊富に使用し、マルチタスク学習のような高度なディープラーニングアプローチも提供しています。
  論文  参考訳（メタデータ） (2021-04-20T08:24:10Z)
• Three Steps to Multimodal Trajectory Prediction: Modality Clustering, Classification and Synthesis [54.249502356251085]
  我々は新しい予測フレームワークと共に新しい洞察を示す。 提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
  論文  参考訳（メタデータ） (2021-03-14T06:21:03Z)
• Team Phoenix at WASSA 2021: Emotion Analysis on News Stories with Pre-Trained Language Models [1.6536018920603175]
  WASSA 2021共有タスクのシステムエントリーについて説明します。 提案モデルは,平均ピアソンスコア0.417,マクロf1スコア0.502をトラック1とトラック2で達成した。
  論文  参考訳（メタデータ） (2021-03-10T14:00:54Z)
• SocialNLP EmotionGIF 2020 Challenge Overview: Predicting Reaction GIF Categories on Social Media [8.034293322106627]
  第8回ソーシャルメディア自然言語処理ワークショップ(Social)で開催された「EmotionGIF 2020 Challenge」の概要を紹介します。 この課題は、オンラインテキストに対する感情的な反応を予測し、EmotionGIFデータセットを含むことであった。 新しいデータセットには、リアクションgif付きで40万ツイートが含まれている。
  論文  参考訳（メタデータ） (2021-02-24T05:22:10Z)
• NEMO: Frequentist Inference Approach to Constrained Linguistic Typology Feature Prediction in SIGTYP 2020 Shared Task [83.43738174234053]
  タイプ的特徴間の相関関係を表現するために頻繁な推論を用い、この表現を用いて、個々の特徴を予測する単純なマルチクラス推定器を訓練する。 テスト言語149言語に対して,マイクロ平均精度0.66を達成できた。
  論文  参考訳（メタデータ） (2020-10-12T19:25:43Z)
• A Hybrid BERT and LightGBM based Model for Predicting Emotion GIF Categories on Twitter [7.463657960984954]
  われわれは、Social 2020の共有タスクであるEmotionGIF 2020チャレンジの解決策を提示する。 ラベルのないツイートに対してGIFカテゴリを推奨するために,変換器による双方向表現(BERT)とLightGBMに基づくランク付けフレームワークを提案する。 私たちのチームは、ラウンド1のリーダーボードで平均精度@6(MAP@6)スコア0.5394で4位を獲得しました。
  論文  参考訳（メタデータ） (2020-08-14T03:23:09Z)
• EmotionGIF-Yankee: A Sentiment Classifier with Robust Model Based Ensemble Methods [1.3382303974780296]
  本稿では,頑健なモデルに基づくアンサンブル手法を用いて感情を分類する手法を提案する。 このシステムは,SocialNLP 2020 EmotionGIFコンペティションにおいて,26チーム中3位にランクインした。
  論文  参考訳（メタデータ） (2020-07-05T07:48:51Z)

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。