Fugu-MT 論文翻訳(概要): TraceNet: Tracing and Locating the Key Elements in Sentiment Analysis

論文の概要: TraceNet: Tracing and Locating the Key Elements in Sentiment Analysis

arxiv url: http://arxiv.org/abs/2202.13812v1
Date: Mon, 28 Feb 2022 14:20:34 GMT
ステータス: 処理完了
システム内更新日: 2022-03-01 14:26:19.246672
Title: TraceNet: Tracing and Locating the Key Elements in Sentiment Analysis
Title（参考訳）: TraceNet: 知覚分析における重要な要素の追跡と配置
Authors: Qinghua Zhao, Shuai Ma
Abstract要約: このようなタスクに対処するために,TraceNetというニューラルアーキテクチャを提案する。ターゲットタスクの識別表現をエンコーダを通じて学習すると同時に、ロケータを介してキー要素を同時にトレースする。ロケータの指導の下では、鍵要素と積極的なマスキング訓練戦略に焦点が当てられているため、攻撃に対してより堅牢である。
参考スコア（独自算出の注目度）: 7.061823591342438
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we study sentiment analysis task where the outcomes are mainly contributed by a few key elements of the inputs. Motivated by the two-streams hypothesis, we propose a neural architecture, named TraceNet, to address this type of task. It not only learns discriminative representations for the target task via its encoders, but also traces key elements at the same time via its locators. In TraceNet, both encoders and locators are organized in a layer-wise manner, and a smoothness regularization is employed between adjacent encoder-locator combinations. Moreover, a sparsity constraints are enforced on locators for tracing purposes and items are proactively masked according to the item weights output by locators.A major advantage of TraceNet is that the outcomes are easier to understand, since the most responsible parts of inputs are identified. Also, under the guidance of locators, it is more robust to attacks due to its focus on key elements and the proactive masking training strategy. Experimental results show its effectiveness for sentiment classification. Moreover, we provide several case studies to demonstrate its robustness and interpretability.
Abstract（参考訳）: 本稿では,入力のいくつかの重要な要素が成果を主に寄与する感情分析タスクについて検討する。この2ストリーム仮説に触発されて、我々はTraceNetというニューラルアーキテクチャを提案し、このタイプのタスクに対処する。対象タスクの識別表現をエンコーダを通じて学習するだけでなく、ロケータを通じて重要な要素を同時にトレースする。 tracenetでは、エンコーダとロケータの両方を階層的に構成し、隣接するエンコーダとロケータの組み合わせで滑らかさを正規化する。さらに、追跡目的のロケータにスパーシリティ制約を課し、ロケータが出力する項目量に応じてアイテムを積極的にマスクする。また、ロケータの指導の下では、鍵要素やプロアクティブマスキング訓練戦略に重点を置いているため、攻撃に対してより堅牢である。実験結果から感情分類の有効性が示された。さらに,その堅牢性と解釈可能性を示すために,いくつかのケーススタディを提供する。

関連論文リスト

Understanding attention-based encoder-decoder networks: a case study with chess scoresheet recognition [0.36832029288386137]
本研究では,手書きチェスのスコアシートを読み取るための注意機構を備えたエンコーダ・デコーダ・リカレントニューラルネットワークについて検討する。本稿では,3つのサブタスク,すなわち入力出力アライメント,シーケンシャルパターン認識,手書き文字認識を特徴付ける。このような知識は、ネットワークを適切にトレーニングする要因のバランスを改善する上で有効である、と私たちは主張する。
論文参考訳（メタデータ） (2024-04-23T16:23:18Z)
SemHint-MD: Learning from Noisy Semantic Labels for Self-Supervised Monocular Depth Estimation [19.229255297016635]
自己教師付き深度推定は、光度損失の勾配-局所性の問題により、局所的に最小限に抑えられる。セマンティックセグメンテーションを活用して、ネットワークを局所的な最小限から切り離すための奥行きを高めるためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-31T17:20:27Z)
Object Discovery from Motion-Guided Tokens [50.988525184497334]
自動エンコーダ表現学習フレームワークを、モーションガイダンスと中間レベルの特徴トークン化により強化する。我々のアプローチは、解釈可能なオブジェクト固有の中間レベルの特徴の出現を可能にする。
論文参考訳（メタデータ） (2023-03-27T19:14:00Z)
A Bayesian Detect to Track System for Robust Visual Object Tracking and Semi-Supervised Model Learning [1.7268829007643391]
ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
論文参考訳（メタデータ） (2022-05-05T00:18:57Z)
Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-03T17:09:56Z)
CI-Net: Contextual Information for Joint Semantic Segmentation and Depth Estimation [2.8785764686013837]
本稿では,その問題を解決するために,文脈情報(CI-Net)を注入したネットワークを提案する。セマンティックラベルの監督により、ネットワークにはコンテキスト情報が埋め込まれており、シーンをよりよく理解することができる。提案したCI-NetをNYU-Depth-v2およびSUN-RGBDデータセット上で評価する。
論文参考訳（メタデータ） (2021-07-29T07:58:25Z)
End-to-End Learning of Keypoint Representations for Continuous Control from Images [84.8536730437934]
教師なしの事前学習、デコーダ、追加の損失を必要とせずに、エンドツーエンドで効率的なキーポイント表現を学習できることが示される。提案アーキテクチャは,ソフトアクター・クリティカルエージェントに直接座標を供給するキーポイント抽出器で構成されている。
論文参考訳（メタデータ） (2021-06-15T09:17:06Z)
LoCo: Local Contrastive Representation Learning [93.98029899866866]
重なり合うローカルブロックが重なり合うことで、デコーダの深さを効果的に増加させ、上位ブロックが暗黙的に下位ブロックにフィードバックを送ることができることを示す。このシンプルな設計は、ローカル学習とエンドツーエンドのコントラスト学習アルゴリズムのパフォーマンスギャップを初めて埋める。
論文参考訳（メタデータ） (2020-08-04T05:41:29Z)
Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文参考訳（メタデータ） (2020-07-16T02:00:53Z)
Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文参考訳（メタデータ） (2020-05-11T04:00:09Z)
T-Net: Learning Feature Representation with Task-specific Supervision for Biomedical Image Analysis [18.612108108320424]
本稿では,特徴抽出器の注意を各タスクに応じて適応させて,効果的な表現学習を行うことにより,新たな学習戦略を提案する。具体的には、T-Netという名前のフレームワークは、タスク固有の注意マップによって教師される符号化ネットワークと、学習した特徴を取り入れて対応する結果を予測する後部ネットワークから構成される。
論文参考訳（メタデータ） (2020-02-19T19:38:28Z)

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。