論文の概要: MEGClass: Extremely Weakly Supervised Text Classification via Mutually-Enhancing Text Granularities

• arxiv url: http://arxiv.org/abs/2304.01969v2
• Date: Sun, 29 Oct 2023 21:03:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 22:49:43.051398
• Title: MEGClass: Extremely Weakly Supervised Text Classification via Mutually-Enhancing Text Granularities
• Title（参考訳）: MEGClass: ミューチュアルエンハンシングテキストの粒度による極端に弱められたテキスト分類
• Authors: Priyanka Kargupta, Tanay Komarlu, Susik Yoon, Xuan Wang, Jiawei Han
• Abstract要約: MEGClassは極めて弱い教師付きテキスト分類法である。 ミューチュアル・エンハンシング・テキスト・グラニュラリティを利用する。 最も情報に富むクラス表示文書を選択することができる。
• 参考スコア（独自算出の注目度）: 33.567613041147844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text classification is essential for organizing unstructured text. Traditional methods rely on human annotations or, more recently, a set of class seed words for supervision, which can be costly, particularly for specialized or emerging domains. To address this, using class surface names alone as extremely weak supervision has been proposed. However, existing approaches treat different levels of text granularity (documents, sentences, or words) independently, disregarding inter-granularity class disagreements and the context identifiable exclusively through joint extraction. In order to tackle these issues, we introduce MEGClass, an extremely weakly-supervised text classification method that leverages Mutually-Enhancing Text Granularities. MEGClass utilizes coarse- and fine-grained context signals obtained by jointly considering a document's most class-indicative words and sentences. This approach enables the learning of a contextualized document representation that captures the most discriminative class indicators. By preserving the heterogeneity of potential classes, MEGClass can select the most informative class-indicative documents as iterative feedback to enhance the initial word-based class representations and ultimately fine-tune a pre-trained text classifier. Extensive experiments on seven benchmark datasets demonstrate that MEGClass outperforms other weakly and extremely weakly supervised methods.
• Abstract（参考訳）: 非構造化テキストの整理にはテキスト分類が不可欠である。 従来の手法は、人間のアノテーションに依存するか、あるいは最近では、特に専門分野や新興分野においてコストがかかる、監督のためのクラスシードワードのセットに依存する。 これを解決するために、クラス表面の名前のみを極めて弱い監督として用いることが提案されている。 しかし、既存のアプローチでは、異なるレベルのテキスト粒度(文書、文、単語)を独立に扱い、粒度間のクラス間の不一致や、ジョイント抽出によってのみ識別可能なコンテキストを無視している。 これらの問題に対処するために,Mutually-Enhancing Text Granularitiesを活用した極めて弱い教師付きテキスト分類手法であるMEGClassを紹介する。 MEGClassは、文書の最もクラスを示す単語と文を共同で考えることで得られる粗いコンテキスト信号ときめ細かいコンテキスト信号を利用する。 このアプローチは、最も識別性の高いクラスインジケータをキャプチャするコンテキスト化された文書表現の学習を可能にする。 潜在的なクラスの不均一性を保存することで、MEGClassは、最も情報に富んだクラス表示文書を反復的なフィードバックとして選択し、初期単語ベースのクラス表現を強化し、最終的に訓練済みのテキスト分類器を微調整することができる。 7つのベンチマークデータセットに対する大規模な実験により、MEGClassは他の弱い、非常に弱い教師付き手法よりも優れていることが示された。

関連論文リスト

• Unlocking the Multi-modal Potential of CLIP for Generalized Category Discovery [50.564146730579424]
  テキスト埋め込み合成器(TES)を提案する。 提案手法は,CLIPのマルチモーダルポテンシャルを解放し,すべてのGCDベンチマークにおいて,ベースライン手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-03-15T02:40:13Z)
• TELEClass: Taxonomy Enrichment and LLM-Enhanced Hierarchical Text Classification with Minimal Supervision [41.05874642535256]
  階層的なテキスト分類は、ラベル分類における各文書を一連のクラスに分類することを目的としている。 初期の研究は、大量の人間の注釈付きデータを必要とする完全または半教師付き手法に重点を置いていた。 我々は、最小限の監督量で階層的なテキスト分類に取り組んでおり、各ノードのクラス名のみを唯一の監督として使用しています。
  論文  参考訳（メタデータ） (2024-02-29T22:26:07Z)
• XAI-CLASS: Explanation-Enhanced Text Classification with Extremely Weak Supervision [6.406111099707549]
  XAI-CLASSは、説明強化弱教師付きテキスト分類法である。 単語の正当性予測を補助タスクとして組み込む。 XAI-CLASSは、他の弱い教師付きテキスト分類法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-10-31T23:24:22Z)
• WOT-Class: Weakly Supervised Open-world Text Classification [41.77945049159303]
  我々は、弱教師付きオープンワールドテキスト分類の新しい問題に取り組んでいる。 強い仮定を持ち上げる新しいフレームワーク WOT-Class を提案する。 7つの人気のあるテキスト分類データセットの実験は、WOT-Classが強いベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-21T08:51:24Z)
• LIME: Weakly-Supervised Text Classification Without Seeds [1.2691047660244335]
  弱教師付きテキスト分類では、ラベル名のみが監督の源として機能する。 弱教師付きテキスト分類のためのフレームワーク LIME を提案する。 弱教師付き分類とテキスト・エンターメントを組み合わせることで、両者の欠点を軽減できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T04:28:28Z)
• Many-Class Text Classification with Matching [65.74328417321738]
  textbfText textbfClassification をテキストとラベル間のtextbfMatching 問題として定式化し,TCM というシンプルなフレームワークを提案する。 従来のテキスト分類手法と比較して、TCMは分類ラベルのきめ細かい意味情報を活用している。
  論文  参考訳（メタデータ） (2022-05-23T15:51:19Z)
• MotifClass: Weakly Supervised Text Classification with Higher-order Metadata Information [47.44278057062421]
  そこで本研究では,テキスト文書をカテゴリ表面名のみを持つ事前定義されたカテゴリの集合に分類することを目的とした,弱教師付きテキスト分類の問題について検討する。 具体的には、異種情報ネットワークを介して文書とメタデータの関係をモデル化する。 そこで我々は,カテゴリ名と指示モチーフインスタンスに基づいて,カテゴリ適応モチーフインスタンスを選択し,擬似ラベル付きトレーニングサンプルを検索し,生成する,MotifClassという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-07T07:39:10Z)
• Hierarchical Heterogeneous Graph Representation Learning for Short Text Classification [60.233529926965836]
  短文分類のためのグラフニューラルネットワーク(GNN)に基づく ShiNE と呼ばれる新しい手法を提案する。 まず,短文データセットを単語レベル成分グラフからなる階層的不均一グラフとしてモデル化する。 そして、類似した短いテキスト間の効果的なラベル伝搬を容易にするショート文書グラフを動的に学習する。
  論文  参考訳（メタデータ） (2021-10-30T05:33:05Z)
• X-Class: Text Classification with Extremely Weak Supervision [39.25777650619999]
  本稿では,極めて弱い監督下でのテキスト分類について検討する。 適応表現を実現するための新しいフレームワーク X-Class を提案する。 X-Classは7つのベンチマークデータセットで、シード駆動の弱教師付きメソッドに匹敵し、パフォーマンスも向上する。
  論文  参考訳（メタデータ） (2020-10-24T06:09:51Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Learning Interpretable and Discrete Representations with Adversarial Training for Unsupervised Text Classification [87.28408260725138]
  TIGANは、テキストを離散コードと連続ノイズを含む2つの非絡み合った表現にエンコードすることを学ぶ。 抽出したトピックの単語は,TIGANが一貫性と高度に解釈可能なトピックを学習していることを示している。
  論文  参考訳（メタデータ） (2020-04-28T02:53:59Z)

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。