論文の概要: Preliminary Steps Towards Federated Sentiment Classification
- arxiv url: http://arxiv.org/abs/2107.11956v1
- Date: Mon, 26 Jul 2021 04:57:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 16:22:55.511706
- Title: Preliminary Steps Towards Federated Sentiment Classification
- Title（参考訳）: フェデレーションセンティブ分類に向けた予備ステップ
- Authors: Xin-Chun Li, De-Chuan Zhan, Yunfeng Shao, Bingshuai Li, Shaoming Song
- Abstract要約: 我々は、コーパスを分散デバイスに格納しなければならないという制約の下で、複数のドメイン感情分類のための連合学習を利用する。
まず,フェデレートされた感情分類におけるモデルアグリゲーションとパーソナライゼーションを改善するための知識伝達強化型私的共有フレームワークを提案する。
第二に、単語ベクトルのリッチな意味と巨大な埋め込みサイズ特性を考慮したKTEPS$star$を提案する。
- 参考スコア（独自算出の注目度）: 17.520351189577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatically mining sentiment tendency contained in natural language is a
fundamental research to some artificial intelligent applications, where
solutions alternate with challenges. Transfer learning and multi-task learning
techniques have been leveraged to mitigate the supervision sparsity and
collaborate multiple heterogeneous domains correspondingly. Recent years, the
sensitive nature of users' private data raises another challenge for sentiment
classification, i.e., data privacy protection. In this paper, we resort to
federated learning for multiple domain sentiment classification under the
constraint that the corpora must be stored on decentralized devices. In view of
the heterogeneous semantics across multiple parties and the peculiarities of
word embedding, we pertinently provide corresponding solutions. First, we
propose a Knowledge Transfer Enhanced Private-Shared (KTEPS) framework for
better model aggregation and personalization in federated sentiment
classification. Second, we propose KTEPS$^\star$ with the consideration of the
rich semantic and huge embedding size properties of word vectors, utilizing
Projection-based Dimension Reduction (PDR) methods for privacy protection and
efficient transmission simultaneously. We propose two federated sentiment
classification scenes based on public benchmarks, and verify the superiorities
of our proposed methods with abundant experimental investigations.
- Abstract（参考訳）: 自然言語に含まれる感情を自動的にマイニングすることは、いくつかの人工知能アプリケーションに基礎的な研究である。
転送学習とマルチタスク学習技術は、監督空間を緩和し、複数のヘテロジニアスドメインを協調するために活用されている。
近年、ユーザのプライベートデータの機密性は、感情分類、すなわちデータプライバシ保護において別の課題を引き起こしている。
本稿では,コーパスを分散デバイスに格納しなければならない制約の下で,複数のドメイン感情分類のためのフェデレーション学習を利用する。
複数の分野にわたる異種意味論と単語埋め込みの特異性を考えると、我々はそれに対応するソリューションを連続的に提供します。
まず,フェデレーション感情分類におけるモデル集約とパーソナライズを改善するために,知識伝達強化kteps(kteps)フレームワークを提案する。
第二に,KTEPS$^\star$を提案し,単語ベクトルのリッチな意味と巨大な埋め込みサイズ特性を考慮し,プロジェクションに基づく次元削減法(PDR)を用いてプライバシー保護と効率的な送信を同時に行う。
本稿では,公的なベンチマークに基づく2つの感情分類シーンを提案し,提案手法の優位性を検証し,豊富な実験研究を行った。
関連論文リスト
- Reducing Source-Private Bias in Extreme Universal Domain Adaptation [11.875619863954238]
Universal Domain Adaptation (UniDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。
我々は、ソースドメインが重複するクラスよりもはるかに重複しないクラスを持つ場合、最先端のメソッドが苦労していることを示す。
対象データの構造を保存するために,自己教師付き学習を提案する。
論文 参考訳（メタデータ） (2024-10-15T04:51:37Z) - Addressing Skewed Heterogeneity via Federated Prototype Rectification with Personalization [35.48757125452761]
フェデレートラーニング(Federated Learning)は、複数の分散デバイス間の協調モデルトレーニングを容易にするために設計された、効率的なフレームワークである。
連合学習の重要な課題は、データレベルの不均一性、すなわち、スキュードまたはロングテールのプライベートデータの分散である。
本稿では,フェデレーション・パーソナライゼーションとフェデレーション・プロトタイプ・レクティフィケーションの2つの部分からなる新しいフェデレーション・プロトタイプ・レクティフィケーションを提案する。
論文 参考訳（メタデータ） (2024-08-15T06:26:46Z) - Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。
本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。
本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-16T13:52:00Z) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-12-16T09:01:57Z) - Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。
本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
論文 参考訳（メタデータ） (2022-09-05T10:06:03Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z) - Learning a Domain Classifier Bank for Unsupervised Adaptive Object
Detection [48.19258721979389]
本稿では,ディープネットワークに基づく物体検出のための細粒度領域アライメント手法を提案する。
そこで我々は,適応検出器として細粒度領域アライメント機構を備えた素物体検出器を開発した。
3つの一般的な転送ベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-07-06T09:12:46Z) - Class Conditional Alignment for Partial Domain Adaptation [10.506584969668792]
アドリア適応モデルは、ラベル付きソースデータセットからラベルなしターゲットデータセットへの知識の転送に向けて大きな進歩を見せている。
PDAは、ソースドメインが広く多様なシナリオを調査し、ターゲットラベル空間はソースラベル空間のサブセットである。
PDAのためのマルチクラス対向アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-03-14T23:51:57Z) - Improving Domain-Adapted Sentiment Classification by Deep Adversarial
Mutual Learning [51.742040588834996]
ドメイン適応型感情分類(ドメイン適応型感情分類、Domain-adapted sentiment classification)は、ラベル付きソースドメインでトレーニングを行い、ラベルなしターゲットドメイン上で文書レベルの感情を適切に推測する。
本稿では,2つの特徴抽出器群,ドメイン識別器群,感情分類器群,ラベル探索器群を包含する新たな相互学習手法を提案する。
論文 参考訳（メタデータ） (2020-02-01T01:22:44Z)
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。