Fugu-MT 論文翻訳(概要): Unsupervised Ranking and Aggregation of Label Descriptions for Zero-Shot Classifiers

論文の概要: Unsupervised Ranking and Aggregation of Label Descriptions for Zero-Shot Classifiers

arxiv url: http://arxiv.org/abs/2204.09481v1
Date: Wed, 20 Apr 2022 14:23:09 GMT
ステータス: 処理完了
システム内更新日: 2022-04-21 13:40:41.399775
Title: Unsupervised Ranking and Aggregation of Label Descriptions for Zero-Shot Classifiers
Title（参考訳）: ゼロショット分類器におけるラベル記述の教師なしランキングと集計
Authors: Angelo Basile, Marc Franco-Salvador and Paolo Rosso
Abstract要約: 本当のゼロショット設定では、開発セットがないため、良いラベル記述を設計することは難しい。本研究では, ラベル記述を教師なしの方法で選択するために, 繰り返し評価分析の確率モデルをどのように利用できるかを検討する。
参考スコア（独自算出の注目度）: 8.434227773463022
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Zero-shot text classifiers based on label descriptions embed an input text and a set of labels into the same space: measures such as cosine similarity can then be used to select the most similar label description to the input text as the predicted label. In a true zero-shot setup, designing good label descriptions is challenging because no development set is available. Inspired by the literature on Learning with Disagreements, we look at how probabilistic models of repeated rating analysis can be used for selecting the best label descriptions in an unsupervised fashion. We evaluate our method on a set of diverse datasets and tasks (sentiment, topic and stance). Furthermore, we show that multiple, noisy label descriptions can be aggregated to boost the performance.
Abstract（参考訳）: ラベル記述に基づくゼロショットテキスト分類器は、入力テキストとラベルの集合を同じ空間に埋め込む:コサイン類似性などの指標を使用して、入力テキストと最も類似したラベル記述を予測ラベルとして選択することができる。真のゼロショットセットアップでは、開発セットがないため、適切なラベル記述の設計が難しい。本研究では,評価分析を繰り返す確率論的モデルを用いて,教師なしの方法で最高のラベル記述を選択する方法について考察する。提案手法は,様々なデータセットとタスク(強調,話題,スタンス)で評価する。さらに,複数のノイズの多いラベル記述を集約して性能を向上できることを示す。

関連論文リスト

Gen-Z: Generative Zero-Shot Text Classification with Contextualized Label Descriptions [50.92702206798324]
ゼロショットテキスト分類のための生成的プロンプトフレームワークを提案する。 GEN-Zはラベルの自然言語記述に基づく入力テキストのLM可能性を測定する。データソースの文脈化によるゼロショット分類は、ゼロショットベースラインと少数ショットベースラインの両方を一貫して上回っていることを示す。
論文参考訳（メタデータ） (2023-11-13T07:12:57Z)
Don't Waste a Single Annotation: Improving Single-Label Classifiers Through Soft Labels [7.396461226948109]
目的とする単一ラベル分類タスクに対する共通データアノテーションとトレーニング手法の限界に対処する。以上の結果から,信頼性,二次ラベル,不一致などの付加的なアノテータ情報を用いて,ソフトラベルを効果的に生成できることが示唆された。
論文参考訳（メタデータ） (2023-11-09T10:47:39Z)
Rank-Aware Negative Training for Semi-Supervised Text Classification [3.105629960108712]
半教師付きテキスト分類ベースのパラダイム(SSTC)は通常、自己学習の精神を用いる。本稿では,SSTCを雑音ラベル方式で学習する上で,RNT(Range-Aware Negative Training)フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-13T08:41:36Z)
Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文参考訳（メタデータ） (2023-05-22T04:50:28Z)
The Benefits of Label-Description Training for Zero-Shot Text Classification [35.27224341685012]
事前訓練された言語モデルはゼロショットテキスト分類を改善した。最小限の努力でゼロショット精度をさらに向上する簡単な方法を提案する。
論文参考訳（メタデータ） (2023-05-03T16:19:31Z)
Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文参考訳（メタデータ） (2023-04-04T14:00:59Z)
Empowering Sentence Encoders with Prompting and Label Retrieval for Zero-shot Text Classification [5.484132137132862]
我々のフレームワークであるRaLPは、文エンコーダでラベル候補をエンコードし、入力テキスト埋め込みと最もよく似たラベルを割り当てる。 RaLPは、様々なクローズドセット分類とマルチチョイスQAデータセットに基づいて、はるかに大きなベースラインよりも、競争力や強いパフォーマンスを実現している。
論文参考訳（メタデータ） (2022-12-20T16:18:03Z)
Learning from Multiple Noisy Partial Labelers [8.357801312689618]
プログラムによる弱い監督は、ノイズ、ユーザ記述規則、その他のラベルの出力を組み合わせることで、手書きのトレーニングデータなしでモデルを作成する。本稿では,複数の雑音部分ラベルの精度を推定できる確率的生成モデルを定義することによって,この能力を導入する。簡単な実装に比べて300倍のスピードで、学習を1分で100万のサンプルにスケールアップする方法を示します。
論文参考訳（メタデータ） (2021-06-08T17:12:16Z)
Unsupervised Label Refinement Improves Dataless Text Classification [48.031421660674745]
データレステキスト分類は、ラベル記述と組み合わせた文書にスコアを割り当てることで、文書を未確認のラベルに分類することができる。有望ながら、それは重要なダウンストリームタスクごとにラベルセットの正確な説明に依存します。この依存により、データレス分類器はラベル記述の選択に非常に敏感になり、実際にはデータレス分類の幅広い適用を妨げる。
論文参考訳（メタデータ） (2020-12-08T03:37:50Z)
A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文参考訳（メタデータ） (2020-12-03T05:41:44Z)
Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
論文参考訳（メタデータ） (2020-10-18T18:59:44Z)

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。