論文の概要: Adversarial Training for a Hybrid Approach to Aspect-Based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2111.14988v1
• Date: Mon, 29 Nov 2021 22:02:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 14:42:26.466419
• Title: Adversarial Training for a Hybrid Approach to Aspect-Based Sentiment Analysis
• Title（参考訳）: アスペクトベース感情分析へのハイブリッドアプローチのためのadversarial training
• Authors: Ron Hochstenbach, Flavius Frasincar and Maria Mihaela Trusca
• Abstract要約: アスペクトベース感情分析のための最先端HAABSA++アルゴリズムについて検討する。 我々は、このアルゴリズムのニューラルネットワーク部分を敵ネットワークを用いて訓練する。
• 参考スコア（独自算出の注目度）: 1.469597968606607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing popularity of the Web has subsequently increased the abundance of reviews on products and services. Mining these reviews for expressed sentiment is beneficial for both companies and consumers, as quality can be improved based on this information. In this paper, we consider the state-of-the-art HAABSA++ algorithm for aspect-based sentiment analysis tasked with identifying the sentiment expressed towards a given aspect in review sentences. Specifically, we train the neural network part of this algorithm using an adversarial network, a novel machine learning training method where a generator network tries to fool the classifier network by generating highly realistic new samples, as such increasing robustness. This method, as of yet never in its classical form applied to aspect-based sentiment analysis, is found to be able to considerably improve the out-of-sample accuracy of HAABSA++: for the SemEval 2015 dataset, accuracy was increased from 81.7% to 82.5%, and for the SemEval 2016 task, accuracy increased from 84.4% to 87.3%.
• Abstract（参考訳）: Webの人気が高まったことで、製品やサービスに対するレビューの量が増えた。 これらのレビューを表現された感情にマイニングすることは、企業と消費者の両方にとって有益であり、この情報に基づいて品質を改善することができる。 本稿では,アスペクトベース感情分析のための最新のHAABSA++アルゴリズムについて考察する。 具体的には,このアルゴリズムのニューラルネットワーク部分を,高現実的な新しいサンプルを生成することによって,ジェネレータネットワークを騙そうとする新たな機械学習学習手法である,対角ネットワークを用いてトレーニングする。 2015年のsemevalデータセットでは、精度が81.7%から82.5%に向上し、2016年のsemevalタスクでは84.4%から87.3%に向上した。

関連論文リスト

• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Robust Image Classification in the Presence of Out-of-Distribution and Adversarial Samples Using Attractors in Neural Networks [0.0]
  完全に接続されたニューラルネットワークは、トレーニングサンプルをアトラクタとして使用するように訓練されており、堅牢性を高めている。 その結果,敵の例を分類してもネットワークは性能を維持していることがわかった。 激しい敵対攻撃が存在する場合、これらの対策は98.48%と98.88%にわずかに減少し、提案手法の堅牢性を示している。
  論文  参考訳（メタデータ） (2024-06-15T09:38:41Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
  ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。 各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。 これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
  論文  参考訳（メタデータ） (2022-09-04T12:49:20Z)
• Uzbek Sentiment Analysis based on local Restaurant Reviews [0.0]
  本稿では,ウズベキスタン語に対する感情分析データセットとして,レストランレビューデータを収集する作業について述べる。 本論文は,データの収集方法,品質最適化のための事前処理方法,評価プロセスの実験的な設定について,詳細な情報を含む。
  論文  参考訳（メタデータ） (2022-05-31T16:21:00Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Accuracy Improvement for Fully Convolutional Networks via Selective Augmentation with Applications to Electrocardiogram Data [0.0]
  提案手法の精度は, 信頼度の低い試料に対する上限値付近で最適であり, 信頼度の高い試料を含むように, この閾値が上昇するにつれて低下した。 これは、フルコンボリューションネットワークによる心電図データ分類のための明確な利点を有するデータ増強のための低信頼サンプルを独占的に選択することを示唆している。
  論文  参考訳（メタデータ） (2021-04-25T23:01:27Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Bayesian Neural Networks at Scale: A Performance Analysis and Pruning Study [2.3605348648054463]
  本研究は,BNNを大規模にトレーニングする際の課題に対処するために,分散トレーニングを用いた高性能コンピューティングの利用について検討する。 我々は,Cray-XC40クラスタ上でのVGG-16とResnet-18モデルのトレーニング性能とスケーラビリティの比較を行った。
  論文  参考訳（メタデータ） (2020-05-23T23:15:34Z)
• Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
  G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。 G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。 分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
  論文  参考訳（メタデータ） (2020-04-24T06:12:10Z)
• Scoring Graspability based on Grasp Regression for Better Grasp Prediction [2.835565391455372]
  現在の最先端の手法は、参照パラメータの把握に関してオフセットの回帰とともに、把握可能性スコアを共同で予測するように訓練されたディープニューラルネットワークに依存している。 本稿では、与えられた位置の把握可能性を評価するスコアラを備えた最先端ニューラルネットワークを拡張し、把握可能性スコアと把握可能性スコアの回帰を相関付ける新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2020-02-03T16:40:16Z)

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。