論文の概要: Exploring Topic-Metadata Relationships with the STM: A Bayesian Approach

• arxiv url: http://arxiv.org/abs/2104.02496v1
• Date: Tue, 6 Apr 2021 13:28:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 14:27:53.787189
• Title: Exploring Topic-Metadata Relationships with the STM: A Bayesian Approach
• Title（参考訳）: STMとトピック・メタデータの関係を探る:ベイズ的アプローチ
• Authors: P. Schulze, S. Wiegrebe, P. W. Thurner, C. Heumann, M. A{\ss}enmacher, S. Wankm\"uller
• Abstract要約: 現在のベイジアン手法と頻繁な方法の融合ではなく、完全にベイジアンアプローチを提案します。 我々は、ドイツの国会議員によるtwitter投稿間の関係を探求することで、改善手法を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topic models such as the Structural Topic Model (STM) estimate latent topical clusters within text. An important step in many topic modeling applications is to explore relationships between the discovered topical structure and metadata associated with the text documents. Methods used to estimate such relationships must take into account that the topical structure is not directly observed, but instead being estimated itself. The authors of the STM, for instance, perform repeated OLS regressions of sampled topic proportions on metadata covariates by using a Monte Carlo sampling technique known as the method of composition. In this paper, we propose two improvements: first, we replace OLS with more appropriate Beta regression. Second, we suggest a fully Bayesian approach instead of the current blending of frequentist and Bayesian methods. We demonstrate our improved methodology by exploring relationships between Twitter posts by German members of parliament (MPs) and different metadata covariates.
• Abstract（参考訳）: 構造トピックモデル(STM)のようなトピックモデルは、テキスト内の潜在トピッククラスタを推定する。 多くのトピックモデリングアプリケーションにおいて重要なステップは、発見されたトピック構造とテキスト文書に関連するメタデータの関係を探ることである。 そのような関係を推定するために使用される方法は、局所構造が直接観測されるのではなく、それ自身を推定することを考慮する必要がある。 例えば、STMの著者らは、合成法として知られるモンテカルロサンプリング技術を用いて、メタデータの共変量に対するサンプルトピック比の繰り返しLS回帰を行う。 本稿では,olsをより適切なベータレグレッションに置き換える,という2つの改良を提案する。 第2に, ベイズ的手法と頻度的手法の混合ではなく, 完全にベイズ的手法を提案する。 我々は,ドイツ議会議員によるTwitter投稿と異なるメタデータの共変量との関係を探索し,改善手法を実証した。

関連論文リスト

• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• A Bayesian Methodology for Estimation for Sparse Canonical Correlation [0.0]
  標準相関解析(CCA)は、データセット間の関係を識別する統計手法である。 ScSCCAは、異なるデータモダリティ間の相互関係の堅牢なモデリングを目的とした、急速に発展する方法論分野である。 ベイズ無限因子モデルを用いて,ロバストな推定を実現する新しいSCSCCA手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T15:14:25Z)
• Mining Relations among Cross-Frame Affinities for Video Semantic Segmentation [87.4854250338374]
  関連性間の関係を, 単一スケールの内在的相関と多スケールの関係という2つの側面で検討する。 実験により,提案手法は最先端のVSS法に対して好適に動作することを示した。
  論文  参考訳（メタデータ） (2022-07-21T12:12:36Z)
• Scalable Semi-Modular Inference with Variational Meta-Posteriors [0.0]
  カット後部推論と半モジュラー推論は、モジュラーベイズ証拠の組み合わせに対する一般化ベイズ法である。 複数カットを持つモデルの解析は,新しい変分メタ・ポストミラーを用いて実現可能であることを示す。 これは、一組の変分パラメータを使って$eta$でインデックス付けされたSMI後続の族を近似する。
  論文  参考訳（メタデータ） (2022-04-01T09:01:20Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Hyperparameter Optimization with Differentiable Metafeatures [5.586191108738563]
  DMFBS(diffariable Metafeature-based Surrogate)と呼ばれるクロスデータセットサロゲートモデルを提案する。 既存のモデルとは対照的に、DMFBS i) は微分可能なメタ機能抽出器を統合し、i) は新規なマルチタスク損失を用いて最適化される。 DMFBSをHPOの3つの大規模メタデータセットの最近のモデルと比較し、平均10%の改善でその性能を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-07T11:06:31Z)
• Improved Semantic Role Labeling using Parameterized Neighborhood Memory Adaptation [22.064890647610348]
  本稿では,アクティベーションのメモリにおける近接するトークンのパラメータ化表現を用いたパラメータ化近傍メモリ適応(PNMA)手法を提案する。 単語埋め込みの種類に関係なく,PNMAはベースモデルのSRL性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2020-11-29T22:51:25Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• GPT-too: A language-model-first approach for AMR-to-text generation [22.65728041544785]
  本稿では,事前学習型言語モデルとサイクル整合性に基づく再描画を併用したアプローチを提案する。 アプローチの単純さにもかかわらず、実験結果は、これらのモデルが過去のすべての手法より優れていることを示している。
  論文  参考訳（メタデータ） (2020-05-18T22:50:26Z)

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。