Fugu-MT 論文翻訳(概要): Improving Implicit Sentiment Learning via Local Sentiment Aggregation

論文の概要: Improving Implicit Sentiment Learning via Local Sentiment Aggregation

arxiv url: http://arxiv.org/abs/2110.08604v3
Date: Tue, 16 May 2023 12:09:46 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 20:14:36.697122
Title: Improving Implicit Sentiment Learning via Local Sentiment Aggregation
Title（参考訳）: 局所感情集約による暗黙的感情学習の改善
Authors: Heng Yang, Ke Li
Abstract要約: 我々は、現在の研究の状況は、モデル的側面の感情コヒーレンシーの重要性を十分に理解していないと論じる。本稿では,微粒な感情コヒーレンシモデリングを容易にする局所感情集約パラダイム(LSA)を提案する。 LSAは3つの公開データセットにまたがって最先端のパフォーマンスを実現する。
参考スコア（独自算出の注目度）: 12.772780082672316
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aspect-based sentiment classification (ABSC) has revealed the potential dependency of sentiment polarities among different aspects. Our study further explores this phenomenon, positing that adjacent aspects often exhibit similar sentiments, a concept we term "aspect sentiment coherency." We argue that the current research landscape has not fully appreciated the significance of modeling aspect sentiment coherency. To address this gap, we introduce a local sentiment aggregation paradigm (LSA) that facilitates fine-grained sentiment coherency modeling. This approach enables the extraction of implicit sentiments for aspects lacking explicit sentiment descriptions. Leveraging gradient descent, we design a differential-weighted sentiment aggregation window that guides the modeling of aspect sentiment coherency. Experimental results affirm the efficacy of LSA in learning sentiment coherency, as it achieves state-of-the-art performance across three public datasets, thus significantly enhancing existing ABSC models. We have made our code available, providing a ready tool for existing methods to harness the potential of sentiment coherency information.
Abstract（参考訳）: アスペクトベース感情分類(ABSC)は、異なる側面における感情極性の潜在的依存性を明らかにする。本研究は, この現象を更に探求し, 隣接する側面がしばしば類似した感情を示すことを示唆し, 「感情の一貫性を尊重する」概念を提唱する。我々は、現在の研究の状況は、モデル的側面の感情コヒーレンシーの重要性を十分に理解していないと論じる。このギャップに対処するため,我々は,きめ細かい感情コヒーレンシモデリングを容易にする局所感情集約パラダイム(lsa)を導入する。このアプローチは、明示的な感情記述を欠いたアスペクトに対する暗黙的な感情の抽出を可能にする。勾配降下を利用して、アスペクト感情一貫性のモデリングを導く差分重み付け感情集約ウィンドウを設計する。実験結果から,3つの公開データセットにわたる最先端のパフォーマンスを実現し,既存のABSCモデルを大幅に向上させることで,学習感情コヒーレンシーにおけるLSAの有効性が確認された。既存のメソッドが感情コヒーレンシ情報の可能性を活用するための準備が整ったツールとして、私たちのコードを公開しました。

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。