Fugu-MT 論文翻訳(概要): Demoting the Lead Bias in News Summarization via Alternating Adversarial Learning

論文の概要: Demoting the Lead Bias in News Summarization via Alternating Adversarial Learning

arxiv url: http://arxiv.org/abs/2105.14241v1
Date: Sat, 29 May 2021 07:40:59 GMT
ステータス: 処理完了
システム内更新日: 2021-06-05 19:53:06.163175
Title: Demoting the Lead Bias in News Summarization via Alternating Adversarial Learning
Title（参考訳）: 相反学習によるニュース要約におけるリードバイアスの実証
Authors: Linzi Xing, Wen Xiao, Giuseppe Carenini
Abstract要約: ニュース記事において、リードバイアスは、通常、神経抽出要約器の学習信号を支配している一般的な現象である。本稿では,リードバイアスを分解し,要約者がコンテンツセマンティクスにもっと焦点を合わせる新しい手法を提案する。
参考スコア（独自算出の注目度）: 7.678864239473703
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In news articles the lead bias is a common phenomenon that usually dominates the learning signals for neural extractive summarizers, severely limiting their performance on data with different or even no bias. In this paper, we introduce a novel technique to demote lead bias and make the summarizer focus more on the content semantics. Experiments on two news corpora with different degrees of lead bias show that our method can effectively demote the model's learned lead bias and improve its generality on out-of-distribution data, with little to no performance loss on in-distribution data.
Abstract（参考訳）: ニュース記事では、リードバイアスは、通常、神経抽出要約器の学習信号を支配し、異なる、あるいはバイアスのないデータのパフォーマンスを著しく制限する一般的な現象である。本稿では,リードバイアスを減じ,要約者がコンテンツセマンティクスにもっと焦点を合わせる新しい手法を提案する。リードバイアスの程度が異なる2つのニュースコーポラにおける実験により,本手法はモデルの学習したリードバイアスを効果的に分解し,分散データに対する一般性を向上させることができることを示した。

関連論文リスト

DeNetDM: Debiasing by Network Depth Modulation [5.886480123226503]
DeNetDMは、浅層ニューラルネットワークが学習コア属性を優先するのに対して、より深いものは、異なる情報を取得することを課題とする際のバイアスを強調するという観察に基づく、新しいデバイアス手法である。提案手法は,データ内のバイアス強調点の多様性を効果的に活用し,従来の手法を超越し,バイアス強調点の多様性を高めるための明示的な拡張に基づく手法の必要性を回避している。
論文参考訳（メタデータ） (2024-03-28T22:17:19Z)
Improving Bias Mitigation through Bias Experts in Natural Language Understanding [10.363406065066538]
補助モデルと主モデルの間に二項分類器を導入するデバイアス化フレームワークを提案する。提案手法は補助モデルのバイアス識別能力を向上させる。
論文参考訳（メタデータ） (2023-12-06T16:15:00Z)
Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
論文参考訳（メタデータ） (2023-11-28T16:46:14Z)
Feature-Level Debiased Natural Language Understanding [86.8751772146264]
既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。 DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2022-12-11T06:16:14Z)
Unsupervised Learning of Unbiased Visual Representations [10.871587311621974]
ディープニューラルネットワークは、データセットにバイアスが存在するときに堅牢な表現を学習できないことで知られている。我々は3つのステップからなる完全に教師なしの脱バイアスフレームワークを提案する。我々は、非バイアスモデルを得るために最先端の教師付き脱バイアス技術を採用している。
論文参考訳（メタデータ） (2022-04-26T10:51:50Z)
Learning Debiased Models with Dynamic Gradient Alignment and Bias-conflicting Sample Mining [39.00256193731365]
ディープニューラルネットワークは、堅牢性、一般化、公正性をモデル化するのに有害なデータセットバイアスに悩まされている。難解な未知のバイアスと戦うための2段階のデバイアス方式を提案する。
論文参考訳（メタデータ） (2021-11-25T14:50:10Z)
Improving Robustness by Augmenting Training Sentences with Predicate-Argument Structures [62.562760228942054]
データセットバイアスに対するロバスト性を改善する既存のアプローチは、主にトレーニング目標の変更に焦点を当てている。本稿では,学習データ中の入力文に対応する述語句構造を付加することを提案する。特定のバイアスを対象とせずに、文の増大は、複数のバイアスに対してトランスフォーマーモデルの堅牢性を向上することを示す。
論文参考訳（メタデータ） (2020-10-23T16:22:05Z)
Detecting Media Bias in News Articles using Gaussian Bias Distributions [35.19976910093135]
本稿では,記事中の偏りのある文の2次情報がどのように検出効率を向上させるかを検討する。既存のメディアバイアスデータセットでは、偏りのある文の頻度と位置が記事レベルの偏りに強く影響していることが分かる。文レベルの偏差検出の標準モデルを用いて,2次情報を用いた記事レベルの偏差検出器が,それ無しで明らかに優れていることを示す実証的証拠を提供する。
論文参考訳（メタデータ） (2020-10-20T22:20:49Z)
Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
論文参考訳（メタデータ） (2020-07-06T07:20:29Z)
Mitigating Gender Bias Amplification in Distribution by Posterior Regularization [75.3529537096899]
本稿では,男女差の増幅問題について,分布の観点から検討する。後続正則化に基づくバイアス緩和手法を提案する。私たちの研究はバイアス増幅の理解に光を当てている。
論文参考訳（メタデータ） (2020-05-13T11:07:10Z)
Mind the Trade-off: Debiasing NLU Models without Degrading the In-distribution Performance [70.31427277842239]
信頼性正則化という新しいデバイアス化手法を導入する。モデルがバイアスを悪用するのを防ぐと同時に、トレーニングのすべての例から学ぶのに十分なインセンティブを得られるようにします。提案手法を3つのNLUタスクで評価し,前者とは対照的に,アウト・オブ・ディストリビューション・データセットの性能が向上することを示す。
論文参考訳（メタデータ） (2020-05-01T11:22:55Z)

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。