論文の概要: Why Did You Not Compare With That? Identifying Papers for Use as Baselines

• arxiv url: http://arxiv.org/abs/2201.08089v1
• Date: Thu, 20 Jan 2022 09:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 22:12:29.882579
• Title: Why Did You Not Compare With That? Identifying Papers for Use as Baselines
• Title（参考訳）: なぜそれと比較しなかったのですか? ベースラインとして使用する書類の識別
• Authors: Manjot Bedi, Tanisha Pandey, Sumit Bhatia and Tanmoy Chakraborty
• Abstract要約: 本稿では,学術論文のベースラインとして使用される論文を自動的に識別するタスクを提案する。 論文中のすべての参照をベースラインまたは非ベースラインに分類するバイナリ分類タスクとして,この問題を考察する。 ACLアンソロジーコーパスから2,075ドルの論文を手動で注釈付けしたデータセットを開発した。
• 参考スコア（独自算出の注目度）: 23.801618582838113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the task of automatically identifying papers used as baselines in a scientific article. We frame the problem as a binary classification task where all the references in a paper are to be classified as either baselines or non-baselines. This is a challenging problem due to the numerous ways in which a baseline reference can appear in a paper. We develop a dataset of $2,075$ papers from ACL anthology corpus with all their references manually annotated as one of the two classes. We develop a multi-module attention-based neural classifier for the baseline classification task that outperforms four state-of-the-art citation role classification methods when applied to the baseline classification task. We also present an analysis of the errors made by the proposed classifier, eliciting the challenges that make baseline identification a challenging problem.
• Abstract（参考訳）: 本稿では,ベースラインとして使用される論文を自動的に識別するタスクを提案する。 私たちはこの問題を,論文中のすべての参照をベースラインあるいは非ベースラインに分類する,バイナリ分類タスクとして捉えています。 これは、ベースライン参照が論文に現れる多くの方法があるため、難しい問題である。 我々は,aclアンソロジーコーパスから2,075ドルの論文のデータセットを作成し,それらの参考文献を手作業で2つのクラスにアノテートした。 本研究は,ベースライン分類タスクに適用した場合の4つの状態参照ロール分類法より優れる,ベースライン分類タスクのためのマルチモジュールアテンションベースのニューラル分類器を開発する。 また,提案する分類器による誤りの分析を行い,ベースライン同定を課題とする課題を抽出した。

関連論文リスト

• Weakly Supervised Multi-Label Classification of Full-Text Scientific Papers [29.295941972777978]
  我々は,クロスペーパーネットワーク構造と紙内階層構造を用いて,弱い監督下で全文科学論文を分類するフレームワークEXを提案する。 ネットワーク対応のコントラスト調整モジュールと階層対応のアグリゲーションモジュールは、2種類の構造信号を利用するように設計されている。
  論文  参考訳（メタデータ） (2023-06-24T15:27:55Z)
• Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
  リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。 利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
  論文  参考訳（メタデータ） (2022-12-21T04:49:55Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• TagRec++: Hierarchical Label Aware Attention Network for Question Categorization [0.3683202928838613]
  オンライン学習システムは、階層的な性質の明確に定義された分類に従ってコンテンツを整理する。 階層ラベルへの入力を分類するタスクは通常、フラットな多クラス分類問題として扱われる。 各コンテンツに対して適切な階層ラベルを検索するために,タスクを高密度検索問題として定式化する。
  論文  参考訳（メタデータ） (2022-08-10T05:08:37Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• TagRec: Automated Tagging of Questions with Hierarchical Learning Taxonomy [0.0]
  オンライン教育プラットフォームは、階層的な学習分類に基づく学術的な質問を組織する 本稿では,分類学と質問のセマンティック関連性を最適化する類似性に基づく検索タスクとして,問題を定式化する。 本研究では,本手法が未確認ラベルの扱いに役立ち,野生の分類学的タグ付けに有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-03T11:50:55Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)
• Rank over Class: The Untapped Potential of Ranking in Natural Language Processing [8.637110868126546]
  我々は、現在分類を用いて対処されている多くのタスクが、実際には分類モールドに切り替わっていると論じる。 本稿では,一対のテキストシーケンスの表現を生成するトランスフォーマーネットワークからなる新しいエンドツーエンドランキング手法を提案する。 重く歪んだ感情分析データセットの実験では、ランキング結果を分類ラベルに変換すると、最先端のテキスト分類よりも約22%改善する。
  論文  参考訳（メタデータ） (2020-09-10T22:18:57Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)
• Description Based Text Classification with Reinforcement Learning [34.18824470728299]
  本稿では,各カテゴリのラベルをカテゴリ記述に関連付ける,テキスト分類のための新しいフレームワークを提案する。 我々は、幅広いテキスト分類タスクにおいて、強いベースラインよりも顕著なパフォーマンス向上を観察する。
  論文  参考訳（メタデータ） (2020-02-08T02:14:28Z)

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。