論文の概要: Evaluating the Role of Target Arguments in Rumour Stance Classification

• arxiv url: http://arxiv.org/abs/2303.12665v1
• Date: Wed, 22 Mar 2023 15:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 13:49:00.829718
• Title: Evaluating the Role of Target Arguments in Rumour Stance Classification
• Title（参考訳）: 噂のスタンス分類におけるターゲット引数の役割評価
• Authors: Yue Li and Carolina Scarton
• Abstract要約: 本稿では,ソーシャルメディア上での噂定位分類(RSC)の現象を再検討する。 実験データにおける敵攻撃を提案し, モデルの堅牢性を評価し, モデル性能におけるデータの役割を評価することを目的とした。
• 参考スコア（独自算出の注目度）: 9.243433912998531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considering a conversation thread, stance classification aims to identify the opinion (e.g. agree or disagree) of replies towards a given target. The target of the stance is expected to be an essential component in this task, being one of the main factors that make it different from sentiment analysis. However, a recent study shows that a target-oblivious model outperforms target-aware models, suggesting that targets are not useful when predicting stance. This paper re-examines this phenomenon for rumour stance classification (RSC) on social media, where a target is a rumour story implied by the source tweet in the conversation. We propose adversarial attacks in the test data, aiming to assess the models robustness and evaluate the role of the data in the models performance. Results show that state-of-the-art models, including approaches that use the entire conversation thread, overly relying on superficial signals. Our hypothesis is that the naturally high occurrence of target-independent direct replies in RSC (e.g. "this is fake" or just "fake") results in the impressive performance of target-oblivious models, highlighting the risk of target instances being treated as noise during training.
• Abstract（参考訳）: 会話スレッドを考えると、スタンス分類は、特定のターゲットに対する応答の意見(例えば、同意または同意)を識別することを目的としている。 スタンスの対象は、感情分析と異なる主要な要因の1つとして、このタスクにおいて不可欠な要素であることが期待されている。 しかし,近年の研究では,標的発見モデルの方が目標認識モデルより優れており,姿勢予測には有効ではないことが示唆されている。 本稿では,この現象をソーシャルメディア上での噂位置分類(RSC)に再検討する。 実験データにおける敵攻撃を提案し, モデルの堅牢性を評価し, モデル性能におけるデータの役割を評価する。 その結果、会話スレッド全体を使用するアプローチを含む最先端のモデルは、表面的な信号に過剰に依存することがわかった。 我々の仮説は、RSCにおける標的非依存直接応答の自然発生(例:「これは偽」または単に「フェイク」)は、標的発見モデルの印象的な性能をもたらし、訓練中にターゲットインスタンスがノイズとして扱われるリスクを浮き彫りにする。

関連論文リスト

• Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
  スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。 以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。 本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T17:24:28Z)
• Can Large Language Models Address Open-Target Stance Detection? [0.7032245866317618]
  Open-Target Stance Detection (OTSD) は、トレーニング中にターゲットが見つからず、入力として提供されない、最も現実的なタスクである。 我々は,Large Language Models (LLMs) GPT-4o, GPT-3.5, Llama-3, Mistralの評価を行い,その性能を既存の作品であるTarget-Stance extract (TSE)と比較した。 実験の結果,実対象が明示的に記述され,テキストに明記されていない場合,LLMはターゲット生成においてTSEを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-08-30T19:26:15Z)
• Decoupling the Class Label and the Target Concept in Machine Unlearning [81.69857244976123]
  機械学習の目的は、トレーニングデータの一部を除外した再トレーニングされたモデルを近似するために、トレーニングされたモデルを調整することだ。 過去の研究では、クラスワイド・アンラーニングが対象クラスの知識を忘れることに成功していることが示された。 我々は、TARget-aware Forgetting (TARF) という一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:53:30Z)
• Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training [84.95281245784348]
  共起関係の過度な強調は、モデルの過度な問題を引き起こす可能性がある。 本稿では,対象対象物とその共起対象物による相関特性を媒介者とみなすことができることを示す因果推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-09T13:13:24Z)
• 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)
• Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
  物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。 新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-13T08:42:39Z)
• Improved Target-specific Stance Detection on Social Media Platforms by Delving into Conversation Threads [12.007570049217398]
  本稿では,会話姿勢検出という新しい課題を提案する。 データインスタンスとその対応する会話スレッドが与えられた場合、所定のターゲット(例えば、COVID-19ワクチン接種)に対するスタンスを推論する。 データインスタンスと会話スレッドの両方から所望のスタンスを推測するため,会話スレッドにコンテキスト情報を組み込んだBranch-BERTモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-06T08:40:48Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Zero-shot stance detection based on cross-domain feature enhancement by contrastive learning [9.719309795292773]
  我々は、見えないターゲットに効率的に適応できる姿勢検出手法を提案する。 まず、文章の話題語をマスキングすることで、データを増強する。 次に、拡張データを教師なしのコントラスト学習モジュールに供給し、転送可能な特徴をキャプチャする。
  論文  参考訳（メタデータ） (2022-10-07T07:45:40Z)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)

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。