論文の概要: Label-Driven Denoising Framework for Multi-Label Few-Shot Aspect Category Detection

• arxiv url: http://arxiv.org/abs/2210.04220v1
• Date: Sun, 9 Oct 2022 10:37:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 16:34:58.915364
• Title: Label-Driven Denoising Framework for Multi-Label Few-Shot Aspect Category Detection
• Title（参考訳）: 複数ラベルFew-Shotカテゴリー検出のためのラベル駆動Denoisingフレームワーク
• Authors: Fei Zhao, Yuchen Shen, Zhen Wu, Xinyu Dai
• Abstract要約: 本稿では,上記の問題に対処する新しいラベル駆動型Denoising Framework(LDF)を提案する。 我々のフレームワークは、他の最先端の手法よりも優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 27.319209062256448
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multi-Label Few-Shot Aspect Category Detection (FS-ACD) is a new sub-task of aspect-based sentiment analysis, which aims to detect aspect categories accurately with limited training instances. Recently, dominant works use the prototypical network to accomplish this task, and employ the attention mechanism to extract keywords of aspect category from the sentences to produce the prototype for each aspect. However, they still suffer from serious noise problems: (1) due to lack of sufficient supervised data, the previous methods easily catch noisy words irrelevant to the current aspect category, which largely affects the quality of the generated prototype; (2) the semantically-close aspect categories usually generate similar prototypes, which are mutually noisy and confuse the classifier seriously. In this paper, we resort to the label information of each aspect to tackle the above problems, along with proposing a novel Label-Driven Denoising Framework (LDF). Extensive experimental results show that our framework achieves better performance than other state-of-the-art methods.
• Abstract（参考訳）: multi-label few-shot aspect category detection (fs-acd) は、限られたトレーニングインスタンスでアスペクトカテゴリを正確に検出することを目的とした、アスペクトベースの感情分析の新しいサブタスクである。 近年,この課題を達成するためにプロトタイプネットワークを使用し,各側面のプロトタイプを作成するために,文からアスペクトカテゴリのキーワードを抽出するアテンション機構を採用している。 しかし、(1)十分な教師データがないため、従来の手法は、生成したプロトタイプの品質に大きく影響する現在のアスペクトカテゴリとは無関係な、ノイズの多い単語を容易に読み取ることができ、(2)意味的に閉じたアスペクトカテゴリは、互いにノイズの多い類似のプロトタイプを生成し、分類器をひどく混乱させる。 本稿では,これらの課題に対処するために,各側面のラベル情報を活用するとともに,新しいラベル駆動Denoising Framework(LDF)を提案する。 広範な実験結果から,我々のフレームワークは他の最先端メソッドよりも優れた性能が得られた。

関連論文リスト

• Few-Shot Multi-Label Aspect Category Detection Utilizing Prototypical Network with Sentence-Level Weighting and Label Augmentation [3.140750628178514]
  マルチラベルアスペクトカテゴリ検出は、与えられた文で発生する複数のアスペクトカテゴリを検出することを目的としている。 本稿では,各サポートセットインスタンスに対して,単語レベルでのノイズを軽減するために,拡張ラベル情報とともに,サポートセットの注意を喚起する。 文単位の注意機構を用いて,各インスタンスに異なる重みを与えることで,平均化によるプロトタイプの計算を行う。
  論文  参考訳（メタデータ） (2023-09-27T11:44:04Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Label-enhanced Prototypical Network with Contrastive Learning for Multi-label Few-shot Aspect Category Detection [17.228616743739412]
  マルチラベルアスペクトカテゴリ検出は、与えられたレビュー文に複数のアスペクトカテゴリを含むことを可能にする。 複数ラベルの複数ショットのアスペクトカテゴリー検出のための新しいラベル強化ネットワーク(LPN)を提案する。
  論文  参考訳（メタデータ） (2022-06-14T02:37:44Z)
• Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
  本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。 具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。 また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
  論文  参考訳（メタデータ） (2022-04-08T00:55:15Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  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） (2021-11-19T10:15:22Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)
• Multi-Label Few-Shot Learning for Aspect Category Detection [23.92900196246631]
  感情分析におけるアスペクトカテゴリー検出(ACD)は、文中のアスペクトカテゴリを特定することを目的としている。 既存の数発の学習アプローチは、主にシングルラベルの予測に焦点を当てている。 本稿では,プロトタイプネットワークに基づく複数ラベルの複数ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-29T01:56:11Z)
• A Weakly-Supervised Semantic Segmentation Approach based on the Centroid Loss: Application to Quality Control and Inspection [6.101839518775968]
  本稿では,新しい損失関数を用いた弱教師付きセマンティックセマンティックセマンティクス手法の提案と評価を行う。 アプローチのパフォーマンスは,2つの業界関連ケーススタディのデータセットに対して評価される。
  論文  参考訳（メタデータ） (2020-10-26T09:08:21Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)

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。