Fugu-MT 論文翻訳(概要): Back to Reality: Leveraging Pattern-driven Modeling to Enable Affordable Sentiment Dependency Learning

論文の概要: Back to Reality: Leveraging Pattern-driven Modeling to Enable Affordable Sentiment Dependency Learning

arxiv url: http://arxiv.org/abs/2110.08604v1
Date: Sat, 16 Oct 2021 16:22:43 GMT
ステータス: 処理完了
システム内更新日: 2021-10-19 16:42:55.640835
Title: Back to Reality: Leveraging Pattern-driven Modeling to Enable Affordable Sentiment Dependency Learning
Title（参考訳）: Back to Reality: パターン駆動モデリングを活用して、順応可能な依存性学習を可能にする
Authors: Heng Yang, Biqing Zeng, Mayi Xu, Tianxing Wang
Abstract要約: Aspect-based Sentiment Classification (ABSC) に基づく新たな感情分析手法を提案する。本研究では,感情クラスタにおける感情依存の学習に焦点をあてるローカル感情集約(LSA)機構を導入する。我々のモデルは、特に学習感情クラスタの改善により、最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 4.760079434948198
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aspect-based Sentiment Classification (ABSC) is a challenging sub-task of traditional sentiment analysis. Due to the difficulty of handling potential correlations among sentiment polarities of multiple aspects, i.e., sentiment dependency, recent popular works tend to exploit syntactic information guiding sentiment dependency parsing. However, syntax information (e.g., syntactic dependency trees) usually occupies expensive computational resources in terms of the operation of the adjacent matrix. Instead, we define the consecutive aspects with the same sentiment as the sentiment cluster in the case that we find that most sentiment dependency occurs between adjacent aspects. Motivated by this finding, we propose the sentiment patterns (SP) to guide the model dependency learning. Thereafter, we introduce the local sentiment aggregating (LSA) mechanism to focus on learning the sentiment dependency in the sentiment cluster. The LSA is more efficient than existing dependency tree-based models due to the absence of additional dependency matrix constructing and modeling. Furthermore, we propose differential weighting for aggregation window building to measure the importance of sentiment dependency. Experiments on four public datasets show that our models achieve state-of-the-art performance with especially improvement on learning sentiment cluster.
Abstract（参考訳）: Aspect-based Sentiment Classification (ABSC)は、従来の感情分析の課題である。複数の側面の感情極性の潜在的な相関、すなわち感情依存の扱いが困難であるため、最近の人気作品では感情依存解析を導く構文情報を利用する傾向がある。しかし、構文情報(例えば構文依存木)は通常、隣接する行列の操作の観点から高価な計算資源を占有する。代わりに、ほとんどの感情依存が隣り合う側面の間で起こることを発見した場合に、感情クラスタと同じ感情を持つ連続的な側面を定義する。そこで本研究では,モデル依存学習の指針となる感情パターン(SP)を提案する。その後、感情クラスタにおける感情依存の学習に焦点をあてるローカル感情集約(LSA)機構を導入する。 LSAは、追加の依存性マトリックスの構築とモデリングがないため、既存の依存性ツリーベースモデルよりも効率的である。さらに,感情依存度を計測するために,アグリゲーションウィンドウ構築のための差分重み付けを提案する。 4つの公開データセットの実験により、我々のモデルは、特に学習感情クラスタの改善とともに最先端のパフォーマンスを達成することが示された。

関連論文リスト

Linking Robustness and Generalization: A k* Distribution Analysis of Concept Clustering in Latent Space for Vision Models [56.89974470863207]
本稿では,局所的近傍解析手法であるk*分布を用いて,個々の概念のレベルで学習された潜伏空間について検討する。視覚モデルの潜在空間の全体的品質を評価するために、個々の概念を解釈するための歪度に基づく真および近似メトリクスを導入する。
論文参考訳（メタデータ） (2024-08-17T01:43:51Z)
Unmasking the Veil: An Investigation into Concept Ablation for Privacy and Copyright Protection in Images [0.0]
クマリらによる「テキスト・トゥ・イメージ拡散モデルにおけるAblating Concepts in Text-to- Image Diffusion Models」で紹介された事前学習モデルにおける概念アブレーションの研究を拡大する。本稿では,新しい概念アブレーション,すなわち「商標アブレーション」を導入する。この変種は、記憶の原理とインスタンスアブレーションを組み合わせて、モデル出力におけるプロプライエタリまたはブランディングされた要素のニュアンスな影響に取り組む。
論文参考訳（メタデータ） (2024-06-18T13:22:29Z)
MirrorCheck: Efficient Adversarial Defense for Vision-Language Models [55.73581212134293]
本稿では,視覚言語モデルにおける対角的サンプル検出のための,新しい,しかしエレガントなアプローチを提案する。本手法は,テキスト・トゥ・イメージ(T2I)モデルを用いて,ターゲットVLMが生成したキャプションに基づいて画像を生成する。異なるデータセットで実施した経験的評価により,本手法の有効性が検証された。
論文参考訳（メタデータ） (2024-06-13T15:55:04Z)
Enhanced Coherence-Aware Network with Hierarchical Disentanglement for Aspect-Category Sentiment Analysis [12.024076910894417]
本稿では,ACSAタスクの階層的絡み合い(ECAN)を考慮したコヒーレンス対応ネットワークを提案する。我々は,コヒーレンス表現に絡み合った複数のカテゴリと感情を効果的に分離し,SOTA(State-of-the-art)のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-03-15T11:32:44Z)
SA-Attack: Improving Adversarial Transferability of Vision-Language Pre-training Models via Self-Augmentation [56.622250514119294]
ホワイトボックスの敵攻撃とは対照的に、転送攻撃は現実世界のシナリオをより反映している。本稿では,SA-Attackと呼ばれる自己拡張型転送攻撃手法を提案する。
論文参考訳（メタデータ） (2023-12-08T09:08:50Z)
Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。既存の感受性研究は、自己報告された信念に大きく依存している。本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文参考訳（メタデータ） (2023-11-16T07:22:56Z)
Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文参考訳（メタデータ） (2023-03-25T09:34:05Z)
Aspect-specific Context Modeling for Aspect-based Sentiment Analysis [14.61906865051392]
アスペクトベース感情分析(ABSA)は、感情極性(SC)の予測や、特定の側面に表される意見スパン(OE)の抽出を目的としている。 PLM(pretrained language model, PLM)は、特徴帰納構造を単純化し、最先端の性能を達成するためにコンテキストモデリングレイヤーとして使われてきた。本稿では,3つのアスペクト固有の入力変換,すなわちアスペクトコンパニオン,アスペクトプロンプト,アスペクトマーカーを提案する。
論文参考訳（メタデータ） (2022-07-17T07:22:19Z)
SentiPrompt: Sentiment Knowledge Enhanced Prompt-Tuning for Aspect-Based Sentiment Analysis [22.758661494710047]
統一されたフレームワークで言語モデルをチューニングするためにSentiPromptを提案する。側面、意見、極性に関する感情知識を、迅速かつ明示的に項関係をモデル化する。提案手法は,三重項抽出,ペア抽出,および知覚分類によるアスペクト項抽出において,強いベースラインを達成できる。
論文参考訳（メタデータ） (2021-09-17T01:56:06Z)
Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
群衆のカウントは、物理的な世界の敵の例に弱い。本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
論文参考訳（メタデータ） (2021-09-16T13:51:39Z)
Exploiting Position Bias for Robust Aspect Sentiment Classification [10.846244829247716]
本稿では,位置バイアス,すなわち位置バイアスの重み付けと位置バイアスの落差を捉えるための2つのメカニズムを提案する。提案手法は,現行モデルのロバスト性と有効性を大幅に改善する。
論文参考訳（メタデータ） (2021-05-29T04:41:09Z)

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。