論文の概要: Domain Adaptation with Category Attention Network for Deep Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2112.15290v1
• Date: Fri, 31 Dec 2021 04:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-03 13:31:15.508243
• Title: Domain Adaptation with Category Attention Network for Deep Sentiment Analysis
• Title（参考訳）: カテゴリーアテンションネットワークを用いた深い感情分析のためのドメイン適応
• Authors: Dongbo Xi, Fuzhen Zhuang, Ganbin Zhou, Xiaohu Cheng, Fen Lin, Qing He
• Abstract要約: クロスドメインの感情分類タスクは、ソースドメイン内の既存のラベル付きデータと、ターゲットドメイン内のラベルなしまたは少ないラベル付きデータを利用して、データ分散間のシフトを減らし、ターゲットドメイン内のパフォーマンスを改善することを目的としている。 既存のドメイン横断感情分類手法は、優れた適応性能を得るために、ピボット、すなわちドメイン共有感情語と非ピボット、すなわちドメイン固有感情語を区別する必要がある。 本稿では、まずカテゴリー注意ネットワーク(CAN)を設計し、次にCANと畳み込みニューラルネットワークを統合するCAN-CNNというモデルを提案する。
• 参考スコア（独自算出の注目度）: 23.526388120436437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation tasks such as cross-domain sentiment classification aim to utilize existing labeled data in the source domain and unlabeled or few labeled data in the target domain to improve the performance in the target domain via reducing the shift between the data distributions. Existing cross-domain sentiment classification methods need to distinguish pivots, i.e., the domain-shared sentiment words, and non-pivots, i.e., the domain-specific sentiment words, for excellent adaptation performance. In this paper, we first design a Category Attention Network (CAN), and then propose a model named CAN-CNN to integrate CAN and a Convolutional Neural Network (CNN). On the one hand, the model regards pivots and non-pivots as unified category attribute words and can automatically capture them to improve the domain adaptation performance; on the other hand, the model makes an attempt at interpretability to learn the transferred category attribute words. Specifically, the optimization objective of our model has three different components: 1) the supervised classification loss; 2) the distributions loss of category feature weights; 3) the domain invariance loss. Finally, the proposed model is evaluated on three public sentiment analysis datasets and the results demonstrate that CAN-CNN can outperform other various baseline methods.
• Abstract（参考訳）: クロスドメイン感情分類などのドメイン適応タスクは、ソースドメイン内の既存のラベル付きデータと、ターゲットドメイン内のラベルなしまたは少ないラベル付きデータを利用して、データ分布間のシフトを減らすことで、ターゲットドメイン内のパフォーマンスを改善することを目的としている。 既存のドメイン横断感情分類手法は、優れた適応性能を得るために、ピボット、すなわちドメイン共有感情語と非ピボット、すなわちドメイン固有感情語を区別する必要がある。 本稿では、まずカテゴリー注意ネットワーク(CAN)を設計し、次にCANと畳み込みニューラルネットワーク(CNN)を統合するモデルCAN-CNNを提案する。 一方、このモデルでは、ピボットや非ピボットを一意なカテゴリ属性語とみなし、ドメイン適応性能を向上させるために自動的にそれらを取り込むことができ、一方、変換されたカテゴリ属性語を解釈しやすくする試みを行っている。 具体的には、モデルの最適化目的には3つの異なる要素がある。 1) 分類上の損失 2 カテゴリーの特徴重みの分布の損失 3) ドメイン不分散損失。 最後に,提案モデルが3つの公開感情分析データセット上で評価され,can-cnnが他の様々なベースライン手法よりも優れていることを示す。

関連論文リスト

• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation [35.63920597305474]
  教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
  論文  参考訳（メタデータ） (2022-04-05T11:17:19Z)
• Vicinal and categorical domain adaptation [43.707303372718336]
  ドメインレベルとカテゴリレベルでの敵対的トレーニングの新たな損失を提案します。 本稿では,2つのドメインからそれぞれ対のインスタンスの凸結合によってインスタンスが生成されるビジナルドメインの概念を提案する。
  論文  参考訳（メタデータ） (2021-03-05T03:47:24Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Adversarial Consistent Learning on Partial Domain Adaptation of PlantCLEF 2020 Challenge [26.016647703500883]
  我々は、部分的ドメイン適応のための統合された深層アーキテクチャにおいて、逆一貫した学習(ACL$)を開発する。 ソースドメインの分類損失、逆学習損失、特徴整合損失からなる。 2つのドメインの共有カテゴリは、ソースドメインの無関係なカテゴリを低重み付けすることで見つける。
  論文  参考訳（メタデータ） (2020-09-19T19:57:41Z)
• 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)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。