論文の概要: Influence Functions for Sequence Tagging Models

• arxiv url: http://arxiv.org/abs/2210.14177v1
• Date: Tue, 25 Oct 2022 17:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 12:54:17.570948
• Title: Influence Functions for Sequence Tagging Models
• Title（参考訳）: シーケンスタグモデルにおける影響関数
• Authors: Sarthak Jain, Varun Manjunatha, Byron C. Wallace, Ani Nenkova
• Abstract要約: 影響関数を拡張して、予測を学習ポイントまで追跡し、それらに通知します。 本手法を用いて,系統的アノテーションの誤りを同定し,セグメント効果の実用性を示す。
• 参考スコア（独自算出の注目度）: 49.81774968547377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many language tasks (e.g., Named Entity Recognition, Part-of-Speech tagging, and Semantic Role Labeling) are naturally framed as sequence tagging problems. However, there has been comparatively little work on interpretability methods for sequence tagging models. In this paper, we extend influence functions - which aim to trace predictions back to the training points that informed them - to sequence tagging tasks. We define the influence of a training instance segment as the effect that perturbing the labels within this segment has on a test segment level prediction. We provide an efficient approximation to compute this, and show that it tracks with the true segment influence, measured empirically. We show the practical utility of segment influence by using the method to identify systematic annotation errors in two named entity recognition corpora. Code to reproduce our results is available at https://github.com/successar/Segment_Influence_Functions.
• Abstract（参考訳）: 多くの言語タスク(例: Named Entity Recognition、Part-of-Speech tagging、Semantic Role Labeling)は、自然にシーケンスタグ問題としてフレーム化されている。 しかし、シーケンシャルタグ付けモデルの解釈可能性に関する研究は比較的少ない。 本稿では,予測の追跡を目的とした影響関数を,シーケンスタギングタスクに通知するトレーニングポイントまで拡張する。 このセグメント内のラベルの摂動がテストセグメントレベルの予測に影響を及ぼす影響として,トレーニングインスタンスセグメントの影響を定義した。 我々はこれを効率的に計算し、実セグメントの影響を経験的に測定して追跡することを示す。 本手法は,2つの名前付きエンティティ認識コーパスにおける系統的アノテーション誤りを識別することによるセグメント影響の実用性を示す。 結果を再現するコードはhttps://github.com/successar/segment_influence_functionsで利用可能です。

関連論文リスト

• Learning to Detour: Shortcut Mitigating Augmentation for Weakly Supervised Semantic Segmentation [7.5856806269316825]
  弱いラベルを用いた弱教師付きセマンティックセグメンテーション(WSSS)は,画素レベルのラベルを取得するためのアノテーションコストを軽減するために活発に研究されている。 本稿では,WSSS のためのショートカット緩和機能 (SMA) を提案する。これは,トレーニングデータに見られないオブジェクトと背景の組み合わせの合成表現を生成し,ショートカット機能の使用を減らす。
  論文  参考訳（メタデータ） (2024-05-28T13:07:35Z)
• Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label [16.745019028033518]
  画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。 スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-02-27T14:51:56Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Adaptive Early-Learning Correction for Segmentation from Noisy Annotations [13.962891776039369]
  不正確な注釈付きデータに基づいて訓練されたディープセグメンテーションネットワークの学習ダイナミクスについて検討する。 2つのキー要素を持つノイズの多いアノテーションから分割する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T18:46:23Z)
• Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
  そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。 同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。 学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
  論文  参考訳（メタデータ） (2021-07-25T11:39:58Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Weakly Supervised Temporal Action Localization with Segment-Level Labels [140.68096218667162]
  時間的アクションローカライゼーションは、テストパフォーマンスとアノテーション時間コストのトレードオフを示す。 ここでは、アノテーションがアクションを観察するときにセグメントがラベル付けされる。 我々は、ラベル付きセグメントから積分的な動作部分を学ぶために、損失サンプリングと見なされる部分的なセグメント損失を考案する。
  論文  参考訳（メタデータ） (2020-07-03T10:32:19Z)
• Explaining Black Box Predictions and Unveiling Data Artifacts through Influence Functions [55.660255727031725]
  影響関数は、影響力のあるトレーニング例を特定することによって、モデルの判断を説明する。 本稿では,代表課題における影響関数と共通単語順応法の比較を行う。 我々は,学習データ中の成果物を明らかにすることができる影響関数に基づく新しい尺度を開発した。
  論文  参考訳（メタデータ） (2020-05-14T00:45:23Z)
• Lexical Semantic Recognition [15.944476972081345]
  我々はニューラルCRFシークエンスタグを訓練し、アノテーションの様々な軸に沿ってその性能を評価する。 我々の研究は、語彙意味論の統合的かつ正確なモデリングのためのベースラインモデルと評価指標を確立する。
  論文  参考訳（メタデータ） (2020-04-30T17:52:11Z)

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。