論文の概要: Contextual information integration for stance detection via cross-attention

• arxiv url: http://arxiv.org/abs/2211.01874v2
• Date: Thu, 25 May 2023 12:47:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 23:46:41.265271
• Title: Contextual information integration for stance detection via cross-attention
• Title（参考訳）: クロスアテンションによる姿勢検出のための文脈情報統合
• Authors: Tilman Beck, Andreas Waldis, Iryna Gurevych
• Abstract要約: スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
• 参考スコア（独自算出の注目度）: 59.662413798388485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stance detection deals with identifying an author's stance towards a target. Most existing stance detection models are limited because they do not consider relevant contextual information which allows for inferring the stance correctly. Complementary context can be found in knowledge bases but integrating the context into pretrained language models is non-trivial due to the graph structure of standard knowledge bases. To overcome this, we explore an approach to integrate contextual information as text which allows for integrating contextual information from heterogeneous sources, such as structured knowledge sources and by prompting large language models. Our approach can outperform competitive baselines on a large and diverse stance detection benchmark in a cross-target setup, i.e. for targets unseen during training. We demonstrate that it is more robust to noisy context and can regularize for unwanted correlations between labels and target-specific vocabulary. Finally, it is independent of the pretrained language model in use.
• Abstract（参考訳）: 姿勢検出は、ターゲットに対する著者の姿勢を特定することを扱う。 既存の姿勢検出モデルは、適切な姿勢推定を可能にする関連する文脈情報を考慮していないため、ほとんどが制限されている。 補完的な文脈は知識ベースで見られるが、標準知識ベースのグラフ構造のため、事前学習された言語モデルにコンテキストを統合することは自明ではない。 これを解決するために,構造化知識源などの異種情報源からの文脈情報の統合や,大規模言語モデルの導入により,文脈情報をテキストとして統合する手法を検討する。 本手法は,多様で多様な姿勢検出ベンチマークにおいて,訓練中の目標を対象とするクロスターゲット設定において,競合ベースラインを上回ることができる。 ノイズの多い文脈に対してより頑健であり、ラベルとターゲット固有の語彙の間の望ましくない相関関係を規則化できることを実証する。 最後に、使用中の事前学習された言語モデルとは独立している。

関連論文リスト

• End-to-end Open-vocabulary Video Visual Relationship Detection using Multi-modal Prompting [68.37943632270505]
  Open-vocabulary video visual relationship detectionは、ビデオの視覚的関係の検出をカテゴリを超えて拡張することを目的としている。 既存の方法は、通常、閉じたデータセットで訓練された軌跡検出器を使用して物体の軌跡を検出する。 我々はCLIPの豊富な意味的知識を活用して新しい関係を発見するオープン語彙関係を提案する。
  論文  参考訳（メタデータ） (2024-09-19T06:25:01Z)
• Promoting Target Data in Context-aware Neural Machine Translation [1.8130068086063336]
  我々は,対象のコンテキストがソース言語に前置されるような,新しい結合に基づく変種を評価する。 ソースにターゲットコンテキストを含めることで、ターゲット言語現象に大きな改善がもたらされることを示す。
  論文  参考訳（メタデータ） (2024-02-09T11:34:39Z)
• Quantifying the Plausibility of Context Reliance in Neural Machine Translation [25.29330352252055]
  我々は、PECoRe(Context Reliance)の可塑性評価を導入する。 PECoReは、言語モデル世代におけるコンテキスト使用量の定量化を目的として設計されたエンドツーエンドの解釈可能性フレームワークである。 我々は、文脈対応機械翻訳モデルの妥当性を定量化するために、pecoreを使用します。
  論文  参考訳（メタデータ） (2023-10-02T13:26:43Z)
• Guiding Computational Stance Detection with Expanded Stance Triangle Framework [25.2980607215715]
  スタンス検出は、テキストの著者が指定されたターゲットに対して有利か、反対か、中立かを決定する。 本稿では,言語的観点からスタンス検出タスクを分解し,このタスクにおける重要な構成要素と推論経路について検討する。
  論文  参考訳（メタデータ） (2023-05-31T13:33:29Z)
• Compositional Generalization in Grounded Language Learning via Induced Model Sparsity [81.38804205212425]
  グリッド環境における単純な言語条件のナビゲーション問題について考察する。 本研究では,オブジェクトの指示文と属性のスパース相関を助長するエージェントを設計し,それらを組み合わせて目的を導出する。 我々のエージェントは、少数のデモンストレーションから学習した場合でも、新しいプロパティの組み合わせを含む目標に対して高いレベルのパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2022-07-06T08:46:27Z)
• Exploiting Multi-Object Relationships for Detecting Adversarial Attacks in Complex Scenes [51.65308857232767]
  ディープニューラルネットワーク(DNN)をデプロイするビジョンシステムは、敵の例に弱いことが知られている。 近年の研究では、入力データの固有成分のチェックは、敵攻撃を検出するための有望な方法であることが示された。 言語モデルを用いてコンテキスト整合性チェックを行う新しい手法を開発した。
  論文  参考訳（メタデータ） (2021-08-19T00:52:10Z)
• Contextual Diversity for Active Learning [9.546771465714876]
  大規模なデータセットは、多くの実用化のためにディープ畳み込みニューラルネットワーク(CNN)の使用を制限する。 空間的に共起するクラスに関連した混乱を捉える文脈的多様性の概念を導入する。 本研究は,活発な学習に文脈的多様性を用いることの利点を明らかにした。
  論文  参考訳（メタデータ） (2020-08-13T07:04:15Z)
• How Context Affects Language Models' Factual Predictions [134.29166998377187]
  検索システムからの情報を学習済みの言語モデルと純粋に教師なしの方法で統合する。 この方法で事前学習された言語モデルを拡張することで、性能が劇的に向上し、教師なしにもかかわらず、結果として得られるシステムは、教師なしの機械読解ベースラインと競合する、と報告する。
  論文  参考訳（メタデータ） (2020-05-10T09:28:12Z)
• Fast and Robust Unsupervised Contextual Biasing for Speech Recognition [16.557586847398778]
  明示的な文脈言語モデルを必要としない代替手法を提案する。 学習コーパスからシステム語彙の各単語に対するバイアススコアを導出する。 関連するコンテキストが利用できる場合,認識精度が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-04T17:29:59Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。