論文の概要: Leveraging Recursive Processing for Neural-Symbolic Affect-Target Associations

• arxiv url: http://arxiv.org/abs/2103.03755v1
• Date: Fri, 5 Mar 2021 15:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:53:32.037750
• Title: Leveraging Recursive Processing for Neural-Symbolic Affect-Target Associations
• Title（参考訳）: ニューラル・シンボリック・アフェクト・ターゲット・アソシエーションにおける再帰的処理の活用
• Authors: A. Sutherland, S. Magg, S. Wermter
• Abstract要約: 本論文では,自然言語表現の感情的ラベルを用いて,抽出した対象,表現された感情と関連づける名詞チャンクを関連付けるコモンセンスアプローチを提案する。 我々は、木とサブツリー処理に順応したトレーニング済みニューラルネットワーク、Dependency Tree-LSTMを活用し、動的ターゲットの影響ラベルを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Explaining the outcome of deep learning decisions based on affect is challenging but necessary if we expect social companion robots to interact with users on an emotional level. In this paper, we present a commonsense approach that utilizes an interpretable hybrid neural-symbolic system to associate extracted targets, noun chunks determined to be associated with the expressed emotion, with affective labels from a natural language expression. We leverage a pre-trained neural network that is well adapted to tree and sub-tree processing, the Dependency Tree-LSTM, to learn the affect labels of dynamic targets, determined through symbolic rules, in natural language. We find that making use of the unique properties of the recursive network provides higher accuracy and interpretability when compared to other unstructured and sequential methods for determining target-affect associations in an aspect-based sentiment analysis task.
• Abstract（参考訳）: 情緒に基づく深層学習決定の結果を説明することは困難であるが,ソーシャル・コンパニオン・ロボットがユーザと感情レベルで対話することを期待する場合は必要である。 本稿では,対話型ハイブリッドニューラルシンボリックシステムを用いて,抽出されたターゲット,表現された感情に関連づけられた名詞チャンク,および自然言語表現からの感情ラベルを関連付けるコモンセンスアプローチを提案する。 我々は、木とサブツリー処理に順応した事前学習ニューラルネットワーク、Dependency Tree-LSTMを活用し、自然言語でシンボル規則によって決定される動的ターゲットのラベルを学習する。 また,再帰的ネットワークのユニークな特性を利用すると,アスペクトベースの感情分析タスクにおいて,他の非構造的,シーケンシャルな手法と比較して高い精度と解釈性が得られることがわかった。

関連論文リスト

• Discovering Chunks in Neural Embeddings for Interpretability [53.80157905839065]
  本稿では, チャンキングの原理を応用して, 人工神経集団活動の解釈を提案する。 まず、この概念を正則性を持つ人工シーケンスを訓練したリカレントニューラルネットワーク(RNN)で実証する。 我々は、これらの状態に対する摂動が関連する概念を活性化または阻害すると共に、入力における概念に対応する同様の繰り返し埋め込み状態を特定する。
  論文  参考訳（メタデータ） (2025-02-03T20:30:46Z)
• Neurosymbolic AI for Travel Demand Prediction: Integrating Decision Tree Rules into Neural Networks [21.445133878049333]
  本研究では、決定木(DT)に基づくシンボルルールとニューラルネットワーク(NN)を統合し、旅行需要を予測するニューロシンボリック人工知能(Neurosymbolic AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T05:10:31Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• SNeL: A Structured Neuro-Symbolic Language for Entity-Based Multimodal Scene Understanding [0.0]
  SNeL(Structured Neuro-symbolic Language, 構造化ニューラルシンボリック言語)は,マルチモーダルデータを処理するニューラルネットワークとのニュアンスな相互作用を容易にする汎用的なクエリ言語である。 SNeLの表現的インターフェースは、複雑なクエリの構築、論理演算と算術演算子、コンパレータ、ネストなどをサポートする。 我々の評価は、SNeLが複雑なニューラルネットワークとの相互作用を形作る可能性を示している。
  論文  参考訳（メタデータ） (2023-06-09T17:01:51Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
  本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。 主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。 我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2021-06-14T15:19:06Z)
• Tell Me Why You Feel That Way: Processing Compositional Dependency for Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE) [0.0]
  本稿では, 依存木LSTMの合成感情解析構造と相補的記号規則を利用したハイブリッド型ニューラルシンボリック手法を提案する。 本手法は, 必要なデータを単純化し, 解釈可能性の度合いを提供しながら, 最先端の手法に則して実行可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-10T01:52:10Z)
• Investigating Typed Syntactic Dependencies for Targeted Sentiment Classification Using Graph Attention Neural Network [10.489983726592303]
  型付き構文依存情報を統合する新しい関係グラフアテンションネットワークについて検討する。 その結果,本手法は目標感情分類性能を改善するためにラベル情報を効果的に活用できることが示唆された。
  論文  参考訳（メタデータ） (2020-02-22T11:17:16Z)

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。