論文の概要: OpenStance: Real-world Zero-shot Stance Detection

• arxiv url: http://arxiv.org/abs/2210.14299v1
• Date: Tue, 25 Oct 2022 19:50:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 14:15:33.250482
• Title: OpenStance: Real-world Zero-shot Stance Detection
• Title（参考訳）: OpenStance:現実世界のゼロショットスタンス検出
• Authors: Hanzi Xu, Slobodan Vucetic, Wenpeng Yin
• Abstract要約: オープンドメインゼロショットスタンス検出。 ドメイン制約やトピック固有のアノテーションを使わずに、オープンな世界でスタンス検出を扱うことを目指している。 我々の知る限り、これはオープンドメインゼロショット設定下でスタンス検出を研究する最初の研究である。
• 参考スコア（独自算出の注目度）: 20.993335893647885
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Prior studies of zero-shot stance detection identify the attitude of texts towards unseen topics occurring in the same document corpus. Such task formulation has three limitations: (i) Single domain/dataset. A system is optimized on a particular dataset from a single domain; therefore, the resulting system cannot work well on other datasets; (ii) the model is evaluated on a limited number of unseen topics; (iii) it is assumed that part of the topics has rich annotations, which might be impossible in real-world applications. These drawbacks will lead to an impractical stance detection system that fails to generalize to open domains and open-form topics. This work defines OpenStance: open-domain zero-shot stance detection, aiming to handle stance detection in an open world with neither domain constraints nor topic-specific annotations. The key challenge of OpenStance lies in the open-domain generalization: learning a system with fully unspecific supervision but capable of generalizing to any dataset. To solve OpenStance, we propose to combine indirect supervision, from textual entailment datasets, and weak supervision, from data generated automatically by pre-trained Language Models. Our single system, without any topic-specific supervision, outperforms the supervised method on three popular datasets. To our knowledge, this is the first work that studies stance detection under the open-domain zero-shot setting. All data and code are publicly released.
• Abstract（参考訳）: ゼロショット姿勢検出の先行研究は、同じ文書コーパスで発生する見知らぬ話題に対するテキストの態度を特定する。 このようなタスクの定式化には3つの制限がある。 (i)単一ドメイン/データセット。 システムは単一のドメインから特定のデータセットに最適化されるため、結果のシステムは他のデータセットではうまく動作しない。 (ii) モデルは,限られた数の未確認トピックで評価される。 (三)トピックの一部はリッチアノテーションがあり、現実世界のアプリケーションでは不可能かもしれないと仮定する。 これらの欠点は、オープンドメインやオープン形式のトピックに一般化できない非現実的なスタンス検出システムにつながる。 オープンドメインのゼロショットのスタンス検出 – ドメインの制約やトピック固有のアノテーションを伴わないオープン世界でのスタンス検出を目標とする。 OpenStanceの主な課題は、オープンドメインの一般化である。 オープンステンスを解決するために,事前学習された言語モデルによって自動生成されるデータから,テキスト包含データセットからの間接的監督と弱い監督を組み合わせることを提案する。 私たちの単一のシステムは、トピック固有の監視なしで、3つの一般的なデータセット上で教師付き手法より優れています。 私たちの知る限り、これはオープンドメインゼロショット設定の下でスタンス検出を研究する最初の仕事です。 すべてのデータとコードは公開されています。

関連論文リスト

• One for All: Multi-Domain Joint Training for Point Cloud Based 3D Object Detection [71.78795573911512]
  textbfOneDet3Dは、異なるドメイン間での3D検出に対処する汎用的なワン・ツー・オール・モデルである。 本稿では、データ干渉問題に対処するため、ルーティング機構によって誘導される散乱とコンテキストにおけるドメイン認識を提案する。 完全なスパース構造とアンカーフリーヘッドは、さらに大きなスケールの差のある点雲を収容する。
  論文  参考訳（メタデータ） (2024-11-03T14:21:56Z)
• WIDIn: Wording Image for Domain-Invariant Representation in Single-Source Domain Generalization [63.98650220772378]
  We present WIDIn, Wording Images for Domain-Invariant representation, to disentangleative discriminative visual representation。 まず、ドメイン固有の言語を適応的に識別し、削除するために使用可能な、きめ細かいアライメントを組み込んだ言語を推定する。 WIDInは、CLIPのような事前訓練された視覚言語モデルと、MoCoやBERTのような個別訓練されたユニモーダルモデルの両方に適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-28T17:46:27Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Generalizable Person Search on Open-world User-Generated Video Content [93.72028298712118]
  人物の検索は、大量の露骨なシーン画像から個人を検索する、困難な作業である。 既存の人検索アプリケーションは、ほとんどトレーニングされ、同じシナリオにデプロイされます。 本稿では,任意のシナリオにおける下流タスクを容易にするために,特徴レベルとデータレベルの両方の一般化可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:59:50Z)
• Towards Open Set 3D Learning: A Benchmark on Object Point Clouds [17.145309633743747]
  本論文は,オープンセット3次元学習に関する第1報である。 カテゴリのセマンティックシフトの観点から,難易度を増すような新しいテストベッドを導入する。 本稿では,最新のアプローチが3Dデータに有効であるかどうか,その理解のために,アウト・オブ・ディストリビューションとオープン・セット2D文献について検討する。
  論文  参考訳（メタデータ） (2022-07-23T17:00:45Z)
• Subjective Learning for Open-Ended Data [12.363642151877688]
  オープンエンドデータから学習する新しい教師あり学習パラダイムを提案する。 オープンエンドデータは本質的に複数の単一値決定論的写像関数を必要とする。 オープンエンド・スーパーバイザード・ラーニングは,タスクレベルの監督を伴わずに,ヒューマンライクなタスク認知を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-27T04:18:45Z)
• Learning Cascaded Detection Tasks with Weakly-Supervised Domain Adaptation [44.420874740728095]
  本稿では,カスケード検出タスクの構造を利用した弱教師付きドメイン適応設定を提案する。 特に、2Dバウンディングボックスを両方のドメインの弱いラベルとして活用しながら、ソースドメインからのみ属性を推測することを学ぶ。 実験の結果,提案手法は完全教師付き設定と競合する一方で,教師なし適応手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2021-07-09T16:18:12Z)
• OpenGAN: Open-Set Recognition via Open Data Generation [76.00714592984552]
  実世界の機械学習システムは、トレーニングデータとは異なる新しいテストデータを分析する必要がある。 オープンセット識別のための概念的にエレガントな2つのアイデアは、1) オープンvs閉鎖二元判別器を識別的に学習し、2) GAN を用いてクローズドセットデータ分布を教師なし学習する。 OpenGANは、それぞれのアプローチの限界をいくつかの技術的な洞察と組み合わせて解決します。
  論文  参考訳（メタデータ） (2021-04-07T06:19:24Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応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） (2021-03-25T14:33:33Z)
• Self-Supervised Features Improve Open-World Learning [13.880789191591088]
  本稿では,インクリメンタル学習,アウトオブディストリビューション検出,オープンワールド学習を組み合わせた統一オープンワールドフレームワークを提案する。 教師なしの特徴表現の下では、未知をラベル外空間または分布外検出のいずれかに分類する。 私たちのパイプラインのインクリメンタルな学習コンポーネントは、imagenet-100プロトコルの最先端と比較して実行するゼロ例のオンラインモデルです。
  論文  参考訳（メタデータ） (2021-02-15T21:03:05Z)

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。