論文の概要: STEP-EZ: Syntax Tree guided semantic ExPlanation for Explainable
Zero-shot modeling of clinical depression symptoms from text
- arxiv url: http://arxiv.org/abs/2106.10928v1
- Date: Mon, 21 Jun 2021 08:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 00:14:52.860653
- Title: STEP-EZ: Syntax Tree guided semantic ExPlanation for Explainable
Zero-shot modeling of clinical depression symptoms from text
- Title(参考訳): STEP-EZ:Syntax Tree Guided semantic ExPlanation for Explainable Zero-shot Modeling of Clinical depression symptoms from text
- Authors: Nawshad Farruque, Randy Goebel, Osmar Zaiane, Sudhakar Sivapalan
- Abstract要約: 我々は,ZSL(Zero-Shot Learning)の様々なアプローチと,データ不足のトレーニングで有名な,重要な教師付き学習課題の説明可能性に焦点をあてる。
この研究は、私たちの知る限り、抑うつ検出症状に対するZSLモデルの有効性を徹底的に探求する最初の成果である。
- 参考スコア(独自算出の注目度): 0.8924669503280335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We focus on exploring various approaches of Zero-Shot Learning (ZSL) and
their explainability for a challenging yet important supervised learning task
notorious for training data scarcity, i.e. Depression Symptoms Detection (DSD)
from text. We start with a comprehensive synthesis of different components of
our ZSL modeling and analysis of our ground truth samples and Depression
symptom clues curation process with the help of a practicing clinician. We next
analyze the accuracy of various state-of-the-art ZSL models and their potential
enhancements for our task. Further, we sketch a framework for the use of ZSL
for hierarchical text-based explanation mechanism, which we call, Syntax
Tree-Guided Semantic Explanation (STEP). Finally, we summarize experiments from
which we conclude that we can use ZSL models and achieve reasonable accuracy
and explainability, measured by a proposed Explainability Index (EI). This work
is, to our knowledge, the first work to exhaustively explore the efficacy of
ZSL models for DSD task, both in terms of accuracy and explainability.
- Abstract(参考訳): 我々は,ZSL(Zero-Shot Learning)の様々なアプローチと,データ不足のトレーニングで有名な,重要な教師付き学習課題の説明可能性に焦点をあてる。
Depression Symptoms Detection (DSD) from text (英語)
まず、ZSLモデリングの様々な構成要素の総合的な合成と、臨床医の助けを借りて、地上の真理サンプルの分析と抑うつ症状の手がかりのキュレーションプロセスから始める。
次に、様々な最先端ZSLモデルの精度と、タスクの潜在的な拡張について分析する。
さらに,ZSLを階層的テキストベース説明機構に用いるためのフレームワークをスケッチし,Syntax Tree-Guided Semantic Explanation (STEP) と呼ぶ。
最後に,提案する説明可能性指標(ei)を用いて,zslモデルを用いて合理的な正確性と説明可能性を達成する実験をまとめる。
この研究は、我々の知る限り、DSDタスクにおけるZSLモデルの有効性を、精度と説明可能性の両方の観点から徹底的に探求する最初の成果である。
関連論文リスト
- What Sketch Explainability Really Means for Downstream Tasks [121.85845328822641]
我々は、人間の脳卒中の影響を強く強調し、説明可能性のためのスケッチの独特なモダリティを探求する。
我々は軽量でポータブルな説明可能性ソリューションを提案します -- 事前訓練されたモデルとシームレスに統合するプラグインです。
論文 参考訳(メタデータ) (2024-03-14T15:22:33Z) - Injecting linguistic knowledge into BERT for Dialogue State Tracking [67.90862881109067]
本稿では,教師なしの枠組みを用いて言語知識を抽出する手法を提案する。
これは、対話状態追跡(DST)タスクにおけるBERTのパフォーマンスと解釈可能性を強化する。
本稿では,DSTタスクの特徴抽出ツールとしてConvex Polytopic Model (CPM) を用い,得られた特徴が対話における構文的・意味的パターンと相関していることを示す。
論文 参考訳(メタデータ) (2023-11-27T08:38:42Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳(メタデータ) (2023-05-30T22:05:11Z) - KNSE: A Knowledge-aware Natural Language Inference Framework for
Dialogue Symptom Status Recognition [69.78432481474572]
症状状態認識(SSR)のための新しいフレームワークKNSEを提案する。
対話ウィンドウ内の各症状について、まず、症状の状態に関する症状と仮説に関する知識を生成し、(前提、知識、仮説)三重項を形成する。
次にBERTモデルを使用して三重項を符号化し、さらに発話アグリゲーション、自己アテンション、横断アテンション、GRUなどのモジュールで処理して症状状態を予測する。
論文 参考訳(メタデータ) (2023-05-26T11:23:26Z) - Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。
以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。
本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
論文 参考訳(メタデータ) (2022-06-06T22:09:52Z) - HealthPrompt: A Zero-shot Learning Paradigm for Clinical Natural
Language Processing [3.762895631262445]
われわれはHealthPromptという新しいプロンプトベースのNLPフレームワークを開発した。
本研究は,6種類のPLMを用いたHealthPromptの詳細な分析を行った。
本実験は,臨床テキストのコンテキストを効果的に把握し,トレーニングデータなしで極めて良好に動作できることを証明した。
論文 参考訳(メタデータ) (2022-03-09T21:44:28Z) - On Data-Augmentation and Consistency-Based Semi-Supervised Learning [77.57285768500225]
最近提案された整合性に基づく半教師付き学習(SSL)手法は,複数のSSLタスクにおいて最先端技術である。
これらの進歩にもかかわらず、これらの手法の理解はまだ比較的限られている。
論文 参考訳(メタデータ) (2021-01-18T10:12:31Z) - A Deep Dive into Adversarial Robustness in Zero-Shot Learning [9.62543698736491]
本稿では,ゼロショット学習(ZSL)モデルと一般化ゼロショット学習(GZSL)モデルの対角的堅牢性を評価することを目的とした研究を行う。
ZSLモデルの逆ロバスト性に関する最初のベンチマークを作成することに加えて、ZSLロバスト性の結果をよりよく解釈するために注意を要する重要な点についても分析する。
論文 参考訳(メタデータ) (2020-08-17T22:26:06Z) - A Biologically Inspired Feature Enhancement Framework for Zero-Shot
Learning [18.348568695197553]
本稿では,ゼロショット学習(ZSL)アルゴリズムのための生物学的にインスパイアされた機能拡張フレームワークを提案する。
具体的には、補助データセットを用いてZSLモデルの特徴抽出器を強化する2チャンネル学習フレームワークを設計する。
提案手法は,ZSLモデルの有効性を効果的に向上し,3つのベンチマークZSLタスクの最先端結果が得られる。
論文 参考訳(メタデータ) (2020-05-13T13:25:22Z)
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。