論文の概要: ReINTEL Challenge 2020: A Comparative Study of Hybrid Deep Neural
Network for Reliable Intelligence Identification on Vietnamese SNSs
- arxiv url: http://arxiv.org/abs/2109.12777v1
- Date: Mon, 27 Sep 2021 03:40:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:54:37.745626
- Title: ReINTEL Challenge 2020: A Comparative Study of Hybrid Deep Neural
Network for Reliable Intelligence Identification on Vietnamese SNSs
- Title(参考訳): ReINTEL Challenge 2020: ベトナムSNSにおける信頼性情報識別のためのハイブリッドディープニューラルネットワークの比較研究
- Authors: Hoang Viet Trinh, Tung Tien Bui, Tam Minh Nguyen, Huy Quang Dao, Quang
Huu Pham, Ngoc N. Tran, Ta Minh Thanh
- Abstract要約: 膨大な量のデータが誤報の危機を引き起こしている。
本稿では,タスクの表メタデータとポストコンテンツの両方を効果的に活用できるマルチインプットモデルを提案する。
VLSPのプライベートテストセットで0.9462ROCスコアを達成した。
- 参考スコア(独自算出の注目度): 0.9697877942346906
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The overwhelming abundance of data has created a misinformation crisis.
Unverified sensationalism that is designed to grab the readers' short attention
span, when crafted with malice, has caused irreparable damage to our society's
structure. As a result, determining the reliability of an article has become a
crucial task. After various ablation studies, we propose a multi-input model
that can effectively leverage both tabular metadata and post content for the
task. Applying state-of-the-art finetuning techniques for the pretrained
component and training strategies for our complete model, we have achieved a
0.9462 ROC-score on the VLSP private test set.
- Abstract(参考訳): 膨大な量のデータが誤報の危機を引き起こしている。
悪意に満ちた読者の注意をそらすために考案された不確実なセンセーショナリズムは、社会の構造に不可分なダメージを与えている。
その結果、記事の信頼性を決定することが重要なタスクとなった。
様々なアブレーション研究の後,タスクの表付きメタデータとポストコンテンツの両方を効果的に活用できるマルチインプットモデルを提案する。
vlspプライベートテストセットにおいて,事前学習されたコンポーネントとトレーニング戦略に対する最先端の微調整技術を適用し,0.9462 roc-scoreを達成した。
関連論文リスト
- Evaluating ML-Based Anomaly Detection Across Datasets of Varied Integrity: A Case Study [0.0]
そこで我々は,NFStreamを用いて処理したCICIDS-2017データセットの2つの改良版を紹介した。
我々の研究は、元のCICIDS-2017、改良されたWTMC-2021とCRiSIS-2022、およびNFStream生成データセットに対するランダムフォレスト(RF)アルゴリズムのパフォーマンスを対照的にしている。
RFモデルは、基礎となるデータセットの品質に関わらず、一貫した高性能なメトリクスを達成し、例外的な堅牢性を示す。
論文 参考訳(メタデータ) (2024-01-30T09:34:15Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Alleviating the Effect of Data Imbalance on Adversarial Training [26.36714114672729]
長い尾の分布に従うデータセットの逆トレーニングについて検討する。
我々は、新しい対人訓練フレームワーク、Re-balancing Adversarial Training (REAT)を提案する。
論文 参考訳(メタデータ) (2023-07-14T07:01:48Z) - Preserving Knowledge Invariance: Rethinking Robustness Evaluation of
Open Information Extraction [50.62245481416744]
実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。
我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。
さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
論文 参考訳(メタデータ) (2023-05-23T12:05:09Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳(メタデータ) (2023-03-24T16:03:21Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳(メタデータ) (2023-03-20T14:12:55Z) - Bayesian Learning with Information Gain Provably Bounds Risk for a
Robust Adversarial Defense [27.545466364906773]
敵攻撃に対して堅牢なディープニューラルネットワークモデルを学習するための新しいアルゴリズムを提案する。
本モデルでは, PGD 攻撃下での対人訓練と Adv-BNN との比較により, 強靭性は20%まで向上した。
論文 参考訳(メタデータ) (2022-12-05T03:26:08Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z) - NLPBK at VLSP-2020 shared task: Compose transformer pretrained models
for Reliable Intelligence Identification on Social network [0.0]
本稿では,ベトナムのSNS問題に対して,トランスフォーマーをベースとした事前訓練モデルを用いて,信頼度の高いインテリジェンス同定を適応させる手法について述べる。
また、bert-base事前学習モデルと、コメント数、いいね!数、SNS文書の画像などのメタデータ機能を組み合わせたモデルも提案した。
適切なトレーニング手法により,本モデルはパブリックテストセットで0.9392 ROC-AUCを達成でき,最終バージョンはプライベートテストセットでトップ2 ROC-AUC (0.9513) に収まる。
論文 参考訳(メタデータ) (2021-01-29T16:19:28Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳(メタデータ) (2020-09-08T21:55:22Z) - On the Accuracy of CRNNs for Line-Based OCR: A Multi-Parameter
Evaluation [0.0]
我々は、劣化した紙に難解な歴史的書体のための高品質な光学文字認識(OCR)モデルを訓練する。
我々は1万行のトレーニングデータから0.44%の文字誤り率(CER)モデルを得ることができる。
オープンソースのフレームワークであるCalamariに依存しているトレーニングパイプラインのすべてのコンポーネントの廃止点を紹介します。
論文 参考訳(メタデータ) (2020-08-06T17:20:56Z)
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。