論文の概要: Are Neural Topic Models Broken?

• arxiv url: http://arxiv.org/abs/2210.16162v1
• Date: Fri, 28 Oct 2022 14:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 16:32:18.672435
• Title: Are Neural Topic Models Broken?
• Title（参考訳）: ニューラルトピックモデルは壊れているか?
• Authors: Alexander Hoyle, Pranav Goel, Rupak Sarkar, Philip Resnik
• Abstract要約: トピックモデルの自動評価と人的評価の関係について検討する。 ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
• 参考スコア（独自算出の注目度）: 81.15470302729638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the relationship between automated and human evaluation of topic models has been called into question. Method developers have staked the efficacy of new topic model variants on automated measures, and their failure to approximate human preferences places these models on uncertain ground. Moreover, existing evaluation paradigms are often divorced from real-world use. Motivated by content analysis as a dominant real-world use case for topic modeling, we analyze two related aspects of topic models that affect their effectiveness and trustworthiness in practice for that purpose: the stability of their estimates and the extent to which the model's discovered categories align with human-determined categories in the data. We find that neural topic models fare worse in both respects compared to an established classical method. We take a step toward addressing both issues in tandem by demonstrating that a straightforward ensembling method can reliably outperform the members of the ensemble.
• Abstract（参考訳）: 近年,話題モデルの自動評価と人間評価の関係が疑問視されている。 手法開発者は、新しいトピックモデル変種が自動測定に有効であることに賭け、人間の嗜好を近似できないことは、これらのモデルを不確実な場所に配置する。 さらに、既存の評価パラダイムは、しばしば現実世界の使用と区別される。 トピックモデリングにおける実世界の主要なユースケースとしてのコンテンツ分析に動機づけられ、その目的のために、トピックモデルの有効性と信頼性に影響を与える2つの関連する側面、すなわち、推定の安定性と、モデルが発見するカテゴリが、データの人間によって決定されたカテゴリに合致する程度を分析した。 ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。 提案手法は,アンサンブルの構成員に確実に勝ることを示すことにより,両課題の対応に向けて一歩踏み出す。

関連論文リスト

• Historia Magistra Vitae: Dynamic Topic Modeling of Roman Literature using Neural Embeddings [10.095706051685665]
  従来の統計モデル(LDAとNMF)とBERTモデルを用いたトピックモデルの比較を行った。 定量的メトリクスは統計モデルを好むが、定性的評価は神経モデルからより良い洞察を得る。
  論文  参考訳（メタデータ） (2024-06-27T05:38:49Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Distributional Depth-Based Estimation of Object Articulation Models [21.046351215949525]
  本研究では,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。 私たちのコアコントリビューションには、剛体変換に対する分布の新しい表現が含まれています。 本稿では,カテゴリに依存しない調音モデル推定を行う新しい深層学習手法DUST-netを提案する。
  論文  参考訳（メタデータ） (2021-08-12T17:44:51Z)
• Is Automated Topic Model Evaluation Broken?: The Incoherence of Coherence [62.826466543958624]
  トピックモデル評価における標準化のギャップと検証のギャップについて考察する。 これらの指標によると、最近のニューラルネットワークコンポーネントに依存したモデルは、古典的なトピックモデルを超えている。 我々は,話題評価と単語侵入という,最も広く受け入れられている2つの人間の判断タスクとともに,自動的コヒーレンスを用いる。
  論文  参考訳（メタデータ） (2021-07-05T17:58:52Z)
• User Ex Machina : Simulation as a Design Probe in Human-in-the-Loop Text Analytics [29.552736183006672]
  話題モデルを用いた人間中心インタラクションのシミュレーションに基づく解析を行う。 ユーザインタラクションには大きさが違うが、結果のモデリングの品質に悪影響を及ぼすことがよくあります。
  論文  参考訳（メタデータ） (2021-01-06T19:44:11Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Recipes for Safety in Open-domain Chatbots [32.31067267979087]
  より安全なモデルのトレーニングと評価のための新しいHuman-and-in-the-loopフレームワークを提案する。 我々はこれらの手法を比較して実験を行い、新しい手法は自動評価や人的評価によって測定された既存のモデルよりも安全であることがわかった。 次に、モデルの障害ケースを分析して、この作業の限界について論じます。
  論文  参考訳（メタデータ） (2020-10-14T13:26:39Z)

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。