Fugu-MT 論文翻訳(概要): A Multilayer Correlated Topic Model

論文の概要: A Multilayer Correlated Topic Model

arxiv url: http://arxiv.org/abs/2101.02028v1
Date: Sat, 2 Jan 2021 21:50:36 GMT
ステータス: 処理完了
システム内更新日: 2021-04-13 08:24:55.177357
Title: A Multilayer Correlated Topic Model
Title（参考訳）: マルチレイヤ関連トピックモデル
Authors: Ye Tian
Abstract要約: 本研究では,文書と異なるセグメント間の主観の継承と変化を解析するための,新規な多層相関トピックモデル (MCTM) を提案する。我々は,段落レベルの文書分析とマーケットバスケットデータ分析を含む,MCTMの潜在的な2つの応用を紹介した。
参考スコア（独自算出の注目度）: 1.188086182744454
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We proposed a novel multilayer correlated topic model (MCTM) to analyze how the main ideas inherit and vary between a document and its different segments, which helps understand an article's structure. The variational expectation-maximization (EM) algorithm was derived to estimate the posterior and parameters in MCTM. We introduced two potential applications of MCTM, including the paragraph-level document analysis and market basket data analysis. The effectiveness of MCTM in understanding the document structure has been verified by the great predictive performance on held-out documents and intuitive visualization. We also showed that MCTM could successfully capture customers' popular shopping patterns in the market basket analysis.
Abstract（参考訳）: 論文の構造を理解する上で有効な,文書とそのセグメント間の主アイデアの相違を解析するための,新しい多層相関トピックモデル (MCTM) を提案する。変動予測最大化(EM)アルゴリズムは,MCTMの後方およびパラメータを推定するために導出された。我々は,段落レベルの文書分析とマーケットバスケットデータ分析を含む,MCTMの潜在的な2つの応用を紹介した。文書構造理解におけるmctmの有効性は,保持文書の予測性能と直感的可視化によって検証された。また,マーケットバスケット分析において,MCTMが顧客の一般的なショッピングパターンを捉えることができた。

関連論文リスト

Utilizing Large Language Models for Event Deconstruction to Enhance Multimodal Aspect-Based Sentiment Analysis [2.1329326061804816]
本稿では,イベント分解のためのLarge Language Models (LLMs)を導入し,マルチモーダル・アスペクト・ベース・センチメント分析(MABSA-RL)のための強化学習フレームワークを提案する。実験の結果,MABSA-RLは2つのベンチマークデータセットにおいて既存手法よりも優れていた。
論文参考訳（メタデータ） (2024-10-18T03:40:45Z)
Interactive Topic Models with Optimal Transport [75.26555710661908]
ラベル名監視型トピックモデリングのためのアプローチとして,EdTMを提案する。 EdTMは、LM/LLMベースのドキュメントトピック親和性を活用しながら、代入問題としてのトピックモデリングをモデル化する。
論文参考訳（メタデータ） (2024-06-28T13:57:27Z)
MMC: Advancing Multimodal Chart Understanding with Large-scale Instruction Tuning [48.63002688222462]
グラフの抽象的な構成要素が異なるため、チャートイメージ理解の領域にギャップが残っている。多様なタスクとチャートタイプをサポートする600kインスタンスからなる大規模マルチモーダルチャートインストラクションデータセットを提案する。我々は既存のグラフQAベンチマークで最先端性能を実現するLMMであるMultiModal Chart Assistant(textbfMMC-A)を開発した。
論文参考訳（メタデータ） (2023-11-15T23:36:42Z)
Financial News Analytics Using Fine-Tuned Llama 2 GPT Model [0.0]
微調整のLlama 2モデルはマルチタスクの財務ニュース分析を行うことができる。名前付きエンティティの抽出された感情は、機械学習モデルにおける予測的特徴と見なすことができる。
論文参考訳（メタデータ） (2023-08-24T18:58:10Z)
Information Screening whilst Exploiting! Multimodal Relation Extraction with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-19T14:56:57Z)
On the Equivalence of the Weighted Tsetlin Machine and the Perceptron [12.48513712803069]
Tsetlin Machine (TM) は本質的に解釈可能な機械傾き法として人気を集めている。良い特性を持っているが、TMはAIアプリケーションのためのゴーツーメソッドではない。
論文参考訳（メタデータ） (2022-12-27T22:38:59Z)
Neural Machine Translation with Contrastive Translation Memories [71.86990102704311]
Retrieval-augmented Neural Machine Translationモデルは、多くの翻訳シナリオで成功している。そこで本論文では,新たに検索拡張NMTを提案し,ソース文と相似なコントラスト検索された翻訳記憶をモデル化する。訓練段階では、目標文に対する各TMの健全な特徴を学習するために、マルチTMコントラスト学習目標を導入する。
論文参考訳（メタデータ） (2022-12-06T17:10:17Z)
Multilingual Multi-Aspect Explainability Analyses on Machine Reading Comprehension Models [76.48370548802464]
本稿では,マルチヘッド自己注意と最終MRCシステム性能の関係を検討するために,一連の解析実験を実施することに焦点を当てる。問合せ及び問合せ理解の注意が問合せプロセスにおいて最も重要なものであることが判明した。包括的可視化とケーススタディを通じて、注意マップに関するいくつかの一般的な知見も観察し、これらのモデルがどのように問題を解くかを理解するのに役立ちます。
論文参考訳（メタデータ） (2021-08-26T04:23:57Z)
Multi-Aspect Sentiment Analysis with Latent Sentiment-Aspect Attribution [7.289918297809611]
感傷的帰属モジュール(SAAM)と呼ばれる新しいフレームワークを導入する。このフレームワークは文レベルの埋め込み特徴と文書レベルのアスペクトレーティングスコアのバリエーションの相関を利用して動作する。ホテルレビューデータセットとビールレビューデータセットの実験では、SAAMは感情分析性能を向上させることが示されている。
論文参考訳（メタデータ） (2020-12-15T16:34:36Z)
Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文参考訳（メタデータ） (2020-06-15T22:22:56Z)

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。