論文の概要: Powering Comparative Classification with Sentiment Analysis via Domain
Adaptive Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2109.03819v1
- Date: Tue, 7 Sep 2021 19:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:31:37.612693
- Title: Powering Comparative Classification with Sentiment Analysis via Domain
Adaptive Knowledge Transfer
- Title(参考訳): ドメイン適応的知識伝達による感性分析による比較分類
- Authors: Zeyu Li, Yilong Qin, Zihan Liu, Wei Wang
- Abstract要約: 本研究では,ある文中の2つのエンティティ間の嗜好が存在するかどうかを予測することを目的とした比較選好分類(CPC)について検討する。
高品質なCPCモデルは、比較質問応答やレビューベースのレコメンデーションのようなアプリケーションに大きく貢献する。
我々は感情分析によるCPCの精度を向上させる感情分析強化ネットワーク(SAECON)を提案する。
- 参考スコア(独自算出の注目度): 13.98690716279821
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We study Comparative Preference Classification (CPC) which aims at predicting
whether a preference comparison exists between two entities in a given sentence
and, if so, which entity is preferred over the other. High-quality CPC models
can significantly benefit applications such as comparative question answering
and review-based recommendations. Among the existing approaches, non-deep
learning methods suffer from inferior performances. The state-of-the-art graph
neural network-based ED-GAT (Ma et al., 2020) only considers syntactic
information while ignoring the critical semantic relations and the sentiments
to the compared entities. We proposed sentiment Analysis Enhanced COmparative
Network (SAECON) which improves CPC ac-curacy with a sentiment analyzer that
learns sentiments to individual entities via domain adaptive knowledge
transfer. Experiments on the CompSent-19 (Panchenko et al., 2019) dataset
present a significant improvement on the F1 scores over the best existing CPC
approaches.
- Abstract(参考訳): 比較選好分類 (cpc) について検討し, 与えられた文中の2つのエンティティ間の選好比較が存在するか, いずれのエンティティが他方よりも好まれるかを予測することを目的とした。
高品質なCPCモデルは、比較質問応答やレビューベースのレコメンデーションのようなアプリケーションに大きく貢献する。
既存の手法では,非深度学習法は性能が劣る。
state-of-the-art graph neural network-based ed-gat (ma et al., 2020) は、重要な意味関係や比較対象に対する感情を無視しながら、構文情報のみを考察している。
そこで我々は,CPCの精度を向上する感情分析強化ネットワーク (SAECON) を提案し,ドメイン適応的知識伝達を通じて個人に対する感情を学習する感情分析装置を開発した。
CompSent-19(Panchenko et al., 2019)データセットの実験では、既存のCPCアプローチよりもF1スコアが大幅に改善された。
関連論文リスト
- Revisiting Data Augmentation in Deep Reinforcement Learning [3.660182910533372]
画像に基づく深部強化学習(DRL)において、様々なデータ拡張技術が提案されている。
既存の手法を分析し、それらをよりよく理解し、どのように接続されているかを明らかにする。
この分析は、データ拡張をより原則的に活用する方法を推奨する。
論文 参考訳(メタデータ) (2024-02-19T14:42:10Z) - Federated Learning for Sparse Principal Component Analysis [0.0]
フェデレートラーニング(Federated Learning)は、クライアント側でモデルトレーニングが行われ、データをローカライズしてプライバシを保存する、分散化されたアプローチである。
本稿では,このフレームワークをSPCA(Sparse principal Component Analysis)に適用する。
SPCAは、解釈可能性を改善するためにデータの分散を最大化しながら、スパースコンポーネントのロードを達成することを目的としている。
論文 参考訳(メタデータ) (2023-11-15T03:55:28Z) - Deep Negative Correlation Classification [82.45045814842595]
既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。
深部負相関分類(DNCC)を提案する。
DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
論文 参考訳(メタデータ) (2022-12-14T07:35:20Z) - An online algorithm for contrastive Principal Component Analysis [9.090031210111919]
我々は、cPCA*のオンラインアルゴリズムを導き、局所的な学習規則でニューラルネットワークにマップできることを示し、エネルギー効率の良いニューロモルフィックハードウェアで実装できる可能性がある。
実際のデータセット上でのオンラインアルゴリズムの性能を評価し、元の定式化との相違点と類似点を強調した。
論文 参考訳(メタデータ) (2022-11-14T19:48:48Z) - Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。
我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
論文 参考訳(メタデータ) (2022-08-26T19:50:46Z) - Revisiting the Critical Factors of Augmentation-Invariant Representation
Learning [8.28445083127418]
我々は、MoCo v2とBYOLを再検討し、次の仮定の真正性を証明する。
我々は,MoCo v2とBYOLの公正比較のための最初のベンチマークを構築した。
論文 参考訳(メタデータ) (2022-07-30T17:07:13Z) - MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised
Domain Adaptation [71.4942277262067]
本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。
我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
論文 参考訳(メタデータ) (2022-07-25T17:55:28Z) - Performance Evaluation of Adversarial Attacks: Discrepancies and
Solutions [51.8695223602729]
機械学習モデルの堅牢性に挑戦するために、敵対攻撃方法が開発されました。
本稿では,Piece-wise Sampling Curving(PSC)ツールキットを提案する。
psc toolkitは計算コストと評価効率のバランスをとるオプションを提供する。
論文 参考訳(メタデータ) (2021-04-22T14:36:51Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳(メタデータ) (2020-10-30T00:47:01Z) - Strategy for Boosting Pair Comparison and Improving Quality Assessment
Accuracy [29.849156371902943]
ペア比較(PC)は、差別性の観点からは絶対カテゴリー評価(ACR)に対して大きな利点がある。
本研究では,ペア比較データとACRデータをブリッジする汎用モデルを用いて,分散項を復元し,得られた情報がより完全であることを示す。
このようにして、提案手法はペア比較の精度を同等に向上するが、ACRほど高い包括性を達成できる。
論文 参考訳(メタデータ) (2020-10-01T13:05:09Z) - 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)
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。