論文の概要: Cluster-based Deep Ensemble Learning for Emotion Classification in Internet Memes

• arxiv url: http://arxiv.org/abs/2302.08343v1
• Date: Thu, 16 Feb 2023 15:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 13:40:16.325064
• Title: Cluster-based Deep Ensemble Learning for Emotion Classification in Internet Memes
• Title（参考訳）: インターネットにおける感情分類のためのクラスタ型ディープアンサンブル学習
• Authors: Xiaoyu Guo, Jing Ma, Arkaitz Zubiaga
• Abstract要約: 本稿では,感情分類のためのクラスタベース深層アンサンブル学習(CDEL)を提案する。 CDELは、クラスタリングアルゴリズムと組み合わせてディープラーニングモデルの利点を利用するハイブリッドモデルである。 感情分類のためのベンチマークデータセットを用いてCDELの性能を評価する。
• 参考スコア（独自算出の注目度）: 18.86848589288164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memes have gained popularity as a means to share visual ideas through the Internet and social media by mixing text, images and videos, often for humorous purposes. Research enabling automated analysis of memes has gained attention in recent years, including among others the task of classifying the emotion expressed in memes. In this paper, we propose a novel model, cluster-based deep ensemble learning (CDEL), for emotion classification in memes. CDEL is a hybrid model that leverages the benefits of a deep learning model in combination with a clustering algorithm, which enhances the model with additional information after clustering memes with similar facial features. We evaluate the performance of CDEL on a benchmark dataset for emotion classification, proving its effectiveness by outperforming a wide range of baseline models and achieving state-of-the-art performance. Further evaluation through ablated models demonstrates the effectiveness of the different components of CDEL.
• Abstract（参考訳）: ミームは、しばしばユーモラスな目的のために、テキスト、画像、動画を混ぜることで、インターネットとソーシャルメディアを通じて視覚的アイデアを共有する手段として人気を集めている。 近年、ミームで表現された感情を分類するタスクなど、ミームの自動分析を可能にする研究が注目されている。 本稿では,ミームにおける感情分類のための新しいモデルであるクラスタ型深層アンサンブル学習(cdel)を提案する。 CDELは、クラスタリングアルゴリズムと組み合わせてディープラーニングモデルの利点を利用するハイブリッドモデルである。 感情分類のためのベンチマークデータセットにおけるCDELの性能評価を行い、幅広いベースラインモデルより優れた性能を示し、最先端のパフォーマンスを実現する。 アブレーションモデルによるさらなる評価はCDELの異なる成分の有効性を示す。

関連論文リスト

• Emotion Detection in Reddit: Comparative Study of Machine Learning and Deep Learning Techniques [0.0]
  本研究は,GoEmotionsデータセットを利用したテキストによる感情検出に焦点を当てた。 このタスクには、6つの機械学習モデル、3つのアンサンブルモデル、Long Short-Term Memory(LSTM)モデルなど、さまざまなモデルを使用しました。 結果は、Stacking分類器が他のモデルよりも精度と性能が優れていることを示している。
  論文  参考訳（メタデータ） (2024-11-15T16:28:25Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• ComKD-CLIP: Comprehensive Knowledge Distillation for Contrastive Language-Image Pre-traning Model [49.587821411012705]
  コントラスト言語画像前処理モデルのための包括的知識蒸留法ComKD-CLIPを提案する。 大規模な教師CLIPモデルからより小さな学生モデルに知識を抽出し、パラメータを著しく減らして同等のパフォーマンスを確保する。 EduAttentionは教師モデルで抽出したテキスト特徴と学生モデルで抽出した画像特徴との相互関係を探索する。
  論文  参考訳（メタデータ） (2024-08-08T01:12:21Z)
• 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)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  潜在拡散モデル(LDM)は、文脈内セグメンテーションに有効な最小限のモデルである。 画像とビデオの両方のデータセットを含む、新しい、公正なコンテキスト内セグメンテーションベンチマークを構築します。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• Ensemble knowledge distillation of self-supervised speech models [84.69577440755457]
  蒸留自己監督モデルは近年、競争性能と効率性を示している。 We performed Ensemble Knowledge Distillation (EKD) on various self-supervised speech model, HuBERT, RobustHuBERT, WavLM。 提案手法は,4つの下流音声処理タスクにおける蒸留モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-02-24T17:15:39Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Self-paced ensemble learning for speech and audio classification [19.39192082485334]
  モデルが複数回のイテレーションで互いに学習する自己ペースのアンサンブル学習方式を提案する。 セルフペースの学習プロセスの間、私たちのアンサンブルはターゲットドメインに関する知識も得ます。 実験結果はSPELがベースラインアンサンブルモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-22T16:34:06Z)
• Automatic Expansion of Domain-Specific Affective Models for Web Intelligence Applications [3.0012517171007755]
  感覚コンピューティングは、異なる複雑さのよく定義された感情モデルに依存している。 洗練された機械学習アプローチと組み合わされた最もきめ細かい感情モデルでは、組織の戦略的位置決めの目標を完全に把握できないかもしれません。 本稿では、知識グラフで利用可能な共通知識と常識知識と、言語モデルと感情的推論を組み合わせた感情モデルの拡張手法を紹介する。
  論文  参考訳（メタデータ） (2021-02-01T13:32:35Z)

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。