論文の概要: Rating Facts under Coarse-to-fine Regimes

• arxiv url: http://arxiv.org/abs/2107.06051v2
• Date: Wed, 14 Jul 2021 10:51:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 11:18:03.016410
• Title: Rating Facts under Coarse-to-fine Regimes
• Title（参考訳）: 粗大な規則の下での格付け
• Authors: Guojun Wu
• Abstract要約: PolitiFactから24Kのレーティングステートメントを手作業で収集します。 我々のタスクは、クラス間の様々な類似性のため、標準分類から逸脱している。 トレーニング後、クラス類似性は、特にきめ細かいデータセットにおいて、マルチクラスデータセットに対して意味がある。
• 参考スコア（独自算出の注目度）: 0.533024001730262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of manipulating fake news as a political weapon has become a global concern and highlighted the incapability of manually fact checking against rapidly produced fake news. Thus, statistical approaches are required if we are to address this problem efficiently. The shortage of publicly available datasets is one major bottleneck of automated fact checking. To remedy this, we collected 24K manually rated statements from PolitiFact. The class values exhibit a natural order with respect to truthfulness as shown in Table 1. Thus, our task represents a twist from standard classification, due to the various degrees of similarity between classes. To investigate this, we defined coarse-to-fine classification regimes, which presents new challenge for classification. To address this, we propose BERT-based models. After training, class similarity is sensible over the multi-class datasets, especially in the fine-grained one. Under all the regimes, BERT achieves state of the art, while the additional layers provide insignificant improvement.
• Abstract（参考訳）: フェイクニュースを政治兵器として操作することの台頭は世界的な懸念となり、急速に生成されたフェイクニュースに対して手動で事実チェックができないことを強調した。 したがって,この問題を効率的に解決するには統計的アプローチが必要である。 公開データセットの不足は、自動ファクトチェックの大きなボトルネックのひとつだ。 これに対処するために、我々はpolitifactから24kの手動で評価されたステートメントを収集した。 表1に示すように、クラス値は真理性に関して自然な順序を示す。 このように、我々のタスクはクラス間の様々な類似性のため、標準分類から逸脱している。 そこで我々は, 粗大な分類体制を定義し, 新たな分類課題を提示した。 そこで本研究では,BERTモデルを提案する。 トレーニング後、クラス類似性は、多クラスデータセット、特にきめ細かいデータセットに対して賢明である。 すべての体制の下で、BERTは芸術の状態を達成し、追加のレイヤは重要な改善を提供する。

関連論文リスト

• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。 本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Aggregating Pairwise Semantic Differences for Few-Shot Claim Veracity Classification [21.842139093124512]
  本稿では,新しいベクトルベース手法であるSEEDを導入する。 クラス内のクレーム-エビデンス対の平均意味的差異を捉えるクラス代表ベクトルをシミュレートできるという仮説に基づいて構築する。 FEVERとSCIFACTデータセットで実施された実験では、数ショット設定で競合するベースラインよりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2022-05-11T17:23:37Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Exploiting stance hierarchies for cost-sensitive stance detection of Web documents [24.898077978955406]
  スタンス検出は、請求書に対する文書の位置(スタンス)を特定することを目的としている。 本稿では,カスケードバイナリ分類器のモジュールパイプラインを提案する。 マイノリティクラスの誤分類コストを強調するニューラルネットワークと従来の分類モデルを組み合わせることで、我々のアプローチを実装します。
  論文  参考訳（メタデータ） (2020-07-29T21:40:01Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Cost-Sensitive BERT for Generalisable Sentence Classification with Imbalanced Data [5.08128537391027]
  トレーニングデータとテストデータが十分に異なる場合,BERTは十分に一般化しないことを示す。 本稿では,データセット間の類似度を統計的に測定し,コスト重み付けをBERTに組み込むことにより,この問題に対処する方法を示す。 文レベルのプロパガンダ分類における2番目に高いスコアを得る。
  論文  参考訳（メタデータ） (2020-03-16T19:10:57Z)

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。