論文の概要: Deep Learning Neural Networks for Emotion Classification from Text: Enhanced Leaky Rectified Linear Unit Activation and Weighted Loss

• arxiv url: http://arxiv.org/abs/2203.04368v1
• Date: Fri, 4 Mar 2022 07:12:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 03:31:06.816599
• Title: Deep Learning Neural Networks for Emotion Classification from Text: Enhanced Leaky Rectified Linear Unit Activation and Weighted Loss
• Title（参考訳）: テキストからの感情分類のための深層学習ニューラルネットワーク:弱弱化線形単位活性化と重み付き損失
• Authors: Hui Yang, Abeer Alsadoon, P.W.C. Prasad, Thair Al-Dala'in, Tarik A. Rashid, Angelika Maag, Omar Hisham Alsadoon
• Abstract要約: 本稿では,テキスト感情分類のためのELRELUWLアルゴリズムを提案する。 CNNと提案アルゴリズムを組み合わせることで、分類精度を高め、処理時間を短縮する。 提案手法は精度を向上し,テキスト感情分類の処理時間を短縮する。
• 参考スコア（独自算出の注目度）: 32.05416212889641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate emotion classification for online reviews is vital for business organizations to gain deeper insights into markets. Although deep learning has been successfully implemented in this area, accuracy and processing time are still major problems preventing it from reaching its full potential. This paper proposes an Enhanced Leaky Rectified Linear Unit activation and Weighted Loss (ELReLUWL) algorithm for enhanced text emotion classification and faster parameter convergence speed. This algorithm includes the definition of the inflection point and the slope for inputs on the left side of the inflection point to avoid gradient saturation. It also considers the weight of samples belonging to each class to compensate for the influence of data imbalance. Convolutional Neural Network (CNN) combined with the proposed algorithm to increase the classification accuracy and decrease the processing time by eliminating the gradient saturation problem and minimizing the negative effect of data imbalance, demonstrated on a binary sentiment problem. The results show that the proposed solution achieves better classification performance in different data scenarios and different review types. The proposed model takes less convergence time to achieve model optimization with seven epochs against the current convergence time of 11.5 epochs on average. The proposed solution improves accuracy and reduces the processing time of text emotion classification. The solution provides an average class accuracy of 96.63% against a current average accuracy of 91.56%. It also provides a processing time of 23.3 milliseconds compared to the current average processing time of 33.2 milliseconds. Finally, this study solves the issues of gradient saturation and data imbalance. It enhances overall average class accuracy and decreases processing time.
• Abstract（参考訳）: オンラインレビューの正確な感情分類は、ビジネス組織にとって市場に対する深い洞察を得るために不可欠である。 この分野ではディープラーニングがうまく実装されているが、精度と処理時間はまだ大きな問題であり、その潜在能力を最大限に発揮できない。 本稿では,テキスト感情分類の強化とパラメータ収束速度の高速化を目的としたELRELUWL (Enhanced Leaky Rectified Linear Unit activation and Weighted Loss)アルゴリズムを提案する。 このアルゴリズムは、傾斜飽和を避けるために、反射点の左側の入力に対する傾斜点と傾斜点の定義を含む。 また、データ不均衡の影響を補うために、各クラスに属するサンプルの重みも考慮している。 提案アルゴリズムと組み合わされた畳み込みニューラルネットワーク(cnn)は,二元感情問題に対して,勾配飽和問題を排除し,データ不均衡の悪影響を最小限に抑えることにより,分類精度を高め,処理時間を短縮する。 提案手法は,異なるデータシナリオと異なるレビュータイプにおいて,より良い分類性能を実現する。 提案モデルでは, 平均11.5エポックの収束時間に対して, 7エポックのモデル最適化を実現するのに, 収束時間が少ない。 提案手法は精度を向上し,テキスト感情分類の処理時間を短縮する。 平均クラス精度は96.63%で、現在の平均クラス精度は91.56%である。 処理時間は23.3ミリ秒で、現在の平均処理時間は33.2ミリ秒である。 最後に, 本研究は, 勾配飽和とデータ不均衡の問題を解決する。 クラス全体の平均精度を高め、処理時間を短縮する。

関連論文リスト

• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• Temporal Decisions: Leveraging Temporal Correlation for Efficient Decisions in Early Exit Neural Networks [4.343246899774834]
  本稿では,早期排他ニューラルネットワークの決定機構としての差分検出と時間パタンスについて述べる。 健康モニタリング、画像分類、ウェイクワード検出タスクにおけるそれらの効果を評価する。 推定平均演算を最大80%削減し,元のモデルの5%以内の精度を維持した。
  論文  参考訳（メタデータ） (2024-03-12T08:28:27Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Deep Learning for Size and Microscope Feature Extraction and Classification in Oral Cancer: Enhanced Convolution Neural Network [30.343802446139186]
  オーバーフィッティング問題は、深層学習技術が口腔癌の画像分類でうまく実装されていない理由である。 提案システムは,オートエンコーダ技術を用いて特徴抽出プロセスの効率を向上する拡張畳み込みニューラルネットワークで構成されている。
  論文  参考訳（メタデータ） (2022-08-06T08:26:45Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• On Principal Curve-Based Classifiers and Similarity-Based Selective Sampling in Time-Series [0.0]
  本稿では,モデル定義における主曲線を構築ブロックとして用いることにより,同じ計算ステップを持つ決定論的選択的サンプリングアルゴリズムを提案する。 オンライン監視装置のラベル付けコストや問題を考えると、ラベルを知っていれば分類器の性能が向上するデータポイントを見つけるアルゴリズムが存在するはずである。
  論文  参考訳（メタデータ） (2022-04-10T07:28:18Z)
• Interpolation-based Contrastive Learning for Few-Label Semi-Supervised Learning [43.51182049644767]
  半教師付き学習(SSL)は,ラベルが限定された強力なモデルを構築する上で,有効な手法であることが長年証明されてきた。 摂動サンプルを元のものと類似した予測を強制する正規化に基づく手法が注目されている。 本稿では,学習ネットワークの埋め込みを誘導し,サンプル間の線形変化を誘導する新たな対照的な損失を提案する。
  論文  参考訳（メタデータ） (2022-02-24T06:00:05Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Explicitly Trained Spiking Sparsity in Spiking Neural Networks with Backpropagation [7.952659059689134]
  スパイキングニューラルネットワーク(SNN)は、スパースでイベント駆動の計算によって生じる潜在的なエネルギー効率について検討されている。 本稿では,損失関数のスパイク数と従来の誤差損失とを明示的に含み,精度とスパイク間隔の両方の重みパラメータを最適化する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-02T23:39:18Z)

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。