論文の概要: AIR-JPMC@SMM4H'22: Classifying Self-Reported Intimate Partner Violence
in Tweets with Multiple BERT-based Models
- arxiv url: http://arxiv.org/abs/2209.10763v1
- Date: Thu, 22 Sep 2022 03:43:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:16:06.672457
- Title: AIR-JPMC@SMM4H'22: Classifying Self-Reported Intimate Partner Violence
in Tweets with Multiple BERT-based Models
- Title(参考訳): AIR-JPMC@SMM4H'22:複数のBERTモデルを用いたつぶやきにおける自己申告された親密なパートナー暴力の分類
- Authors: Alec Candidato, Akshat Gupta, Xiaomo Liu, Sameena Shah
- Abstract要約: 本稿では,SMM4H 2022-Shared Taskに対して,Twitter上での自己報告された親密なパートナー暴力の分類について提案する。
このタスクの目的は、あるツイートの内容が、親密なパートナーの暴力で自分の経験を報告している人を示すかどうかを正確に判断することであった。
- 参考スコア(独自算出の注目度): 4.563365975305439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents our submission for the SMM4H 2022-Shared Task on the
classification of self-reported intimate partner violence on Twitter (in
English). The goal of this task was to accurately determine if the contents of
a given tweet demonstrated someone reporting their own experience with intimate
partner violence. The submitted system is an ensemble of five RoBERTa models
each weighted by their respective F1-scores on the validation data-set. This
system performed 13% better than the baseline and was the best performing
system overall for this shared task.
- Abstract(参考訳): 本稿では,smm4h 2022-shared task on the classification of self-reported companion violence on twitter (英語) について述べる。
このタスクの目的は、あるツイートの内容が、親密なパートナー暴力で自分の経験を報告した人物を正確に判断することであった。
提出されたシステムは、検証データセット上の各F1スコアによって重み付けされた5つのRoBERTaモデルのアンサンブルである。
このシステムはベースラインよりも13%向上し、共有タスク全体において最高の性能を発揮した。
関連論文リスト
- SemEval-2024 Shared Task 6: SHROOM, a Shared-task on Hallucinations and
Related Observable Overgeneration Mistakes [49.97855996078954]
本稿では,幻覚検出に焦点をあてた共有タスクであるSHROOMの結果について述べる。
このアプローチをどのように取り組んだかについて、いくつかの重要なトレンドを観察します。
チームの大多数が提案したベースラインシステムより優れていますが、トップスコアシステムのパフォーマンスは依然として、より困難なアイテムのランダムなハンドリングと一致しています。
論文 参考訳(メタデータ) (2024-03-12T15:06:22Z) - Unified Physical-Digital Face Attack Detection [66.14645299430157]
顔認識(FR)システムは物理的(印刷写真)とデジタル(ディープフェイク)攻撃に悩まされることがある。
以前の関連する作業では、両方の状況が同時に考慮されることはめったにありません。
視覚言語モデル(VLM)に基づく一元攻撃検出フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-31T09:38:44Z) - Shayona@SMM4H23: COVID-19 Self diagnosis classification using BERT and
LightGBM models [1.5566524830295307]
本稿では,Team Shayona による SMMH4-23 のタスク 1 と 4 の共有に対するアプローチと結果について述べる。
私たちのチームは、すべての参加者の中で、Task-1のf1スコア0.94を達成しました。
論文 参考訳(メタデータ) (2024-01-04T09:13:18Z) - AI-UPV at EXIST 2023 -- Sexism Characterization Using Large Language
Models Under The Learning with Disagreements Regime [2.4261434441245897]
本稿では,CLEF 2023のEXIST (sexism Identification in Social networks) LabへのAI-UPVチームの参加について述べる。
提案手法は、性差別の識別と特徴付けの課題を、不一致のパラダイムによる学習の下で解決することを目的としている。
提案システムは、大きな言語モデル(mBERTとXLM-RoBERTa)と、英語とスペイン語で性差別の識別と分類のためのアンサンブル戦略を使用する。
論文 参考訳(メタデータ) (2023-07-07T04:49:26Z) - HausaNLP at SemEval-2023 Task 10: Transfer Learning, Synthetic Data and
Side-Information for Multi-Level Sexism Classification [0.007696728525672149]
SemEval-2023 Task 10: Explainable Detection of Online Sexism (EDOS) task。
XLM-T (sentiment classification) と HateBERT (same domain - Reddit) の2つの言語モデルを用いて,マルチレベル分類をSexist と not Sexist に移行する効果を検討した。
論文 参考訳(メタデータ) (2023-04-28T20:03:46Z) - SSS at SemEval-2023 Task 10: Explainable Detection of Online Sexism
using Majority Voted Fine-Tuned Transformers [0.0]
本稿では,SemEval 2023におけるタスク10の提出について述べる。
最近のソーシャルメディアプラットフォームの増加は、ソーシャルメディアプラットフォーム上で女性が経験する性差別の格差が増加している。
提案手法は、BERTモデルの実験と微調整と、個別のベースラインモデルスコアより優れるMajority Votingアンサンブルモデルを用いて構成する。
論文 参考訳(メタデータ) (2023-04-07T07:24:32Z) - Alibaba-Translate China's Submission for WMT 2022 Quality Estimation
Shared Task [80.22825549235556]
我々は、UniTEという品質評価共有タスクにおいて、文レベルのMQMベンチマークを提出する。
具体的には、トレーニング中に3種類の入力形式と事前学習された言語モデルを組み合わせたUniTEのフレームワークを用いる。
その結果,我々のモデルは多言語・英語・ロシア語設定では第1位,英語・ドイツ語・中国語設定では第2位に達した。
論文 参考訳(メタデータ) (2022-10-18T08:55:27Z) - Overview of Abusive and Threatening Language Detection in Urdu at FIRE
2021 [50.591267188664666]
我々は、ウルドゥー語に対する虐待と脅しの2つの共通タスクを提示する。
本研究では, (i) 乱用と非乱用というラベル付きツイートを含む手動注釈付きデータセットと, (ii) 脅威と非脅威の2つを提示する。
両方のサブタスクに対して、m-Bertベースのトランスモデルは最高の性能を示した。
論文 参考訳(メタデータ) (2022-07-14T07:38:13Z) - Fine-Tuning Transformers for Identifying Self-Reporting Potential Cases
and Symptoms of COVID-19 in Tweets [5.425235965110337]
私たちは、2021年のソーシャルメディアマイニング for Health Applications(SMM4H)共有タスクのタスク5および6に対する当社のストレートフォワードアプローチについて説明します。
私たちのシステムは、各タスクの微調整Distill-BERT、および最初に他のタスクのモデルを微調整に基づいています。
論文 参考訳(メタデータ) (2021-04-12T14:31:51Z) - On Unifying Misinformation Detection [51.10764477798503]
このモデルは、ニュースバイアスの検出、クリックベイト、フェイクニュース、噂の検証の4つのタスクを扱うように訓練されている。
We demonstrate that UnifiedM2's learned representation is help for few-shot learning of unseen misinformation tasks/datasets。
論文 参考訳(メタデータ) (2021-04-12T07:25:49Z) - Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring
Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。
AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文 参考訳(メタデータ) (2020-07-14T03:49:43Z)
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。