論文の概要: Investigating Chain-of-thought with ChatGPT for Stance Detection on Social Media
- arxiv url: http://arxiv.org/abs/2304.03087v2
- Date: Thu, 17 Oct 2024 06:35:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:16:39.956918
- Title: Investigating Chain-of-thought with ChatGPT for Stance Detection on Social Media
- Title(参考訳): ソーシャルメディア上でのスタンス検出のためのChatGPTを用いた考察
- Authors: Bowen Zhang, Xianghua Fu, Daijun Ding, Hu Huang, Genan Dai, Nan Yin, Yangyang Li, Liwen Jing,
- Abstract要約: バックプロパゲーショントレーニングを必要としないChain-of-Thought(CoT)アプローチが,有望な代替手段として現れている。
本稿では,CoTの姿勢検出における有効性について検討し,その精度を実証し,関連する課題について議論する。
- 参考スコア(独自算出の注目度): 6.980802590994858
- License:
- Abstract: Stance detection predicts attitudes towards targets in texts and has gained attention with the rise of social media. Traditional approaches include conventional machine learning, early deep neural networks, and pre-trained fine-tuning models. However, with the evolution of very large pre-trained language models (VLPLMs) like ChatGPT (GPT-3.5), traditional methods face deployment challenges. The parameter-free Chain-of-Thought (CoT) approach, not requiring backpropagation training, has emerged as a promising alternative. This paper examines CoT's effectiveness in stance detection tasks, demonstrating its superior accuracy and discussing associated challenges.
- Abstract(参考訳): スタンス検出はテキスト中のターゲットに対する態度を予測し、ソーシャルメディアの台頭とともに注目を集めている。
従来のアプローチには、従来の機械学習、初期のディープニューラルネットワーク、トレーニング済みの微調整モデルなどがある。
しかし、ChatGPT (GPT-3.5)のような非常に大きな事前訓練型言語モデル(VLPLM)の進化に伴い、従来の手法はデプロイメントの課題に直面している。
バックプロパゲーショントレーニングを必要としないパラメータフリーのChain-of-Thought(CoT)アプローチが,有望な代替手段として登場した。
本稿では,CoTの姿勢検出における有効性について検討し,その精度を実証し,関連する課題について議論する。
関連論文リスト
- Hashing it Out: Predicting Unhealthy Conversations on Twitter [0.17175853976270528]
大規模Twitterコーパス上で事前学習されたアテンションベースのBERTアーキテクチャは,このような予測を行う上で効率的かつ効果的であることを示す。
この研究は、最もユビキタスなソーシャルメディアプラットフォームにおけるより良いインタラクションを促進するための実用的なツールの基礎を築いた。
論文 参考訳(メタデータ) (2023-11-17T15:49:11Z) - Chain-of-Thought Embeddings for Stance Detection on Social Media [3.5128547933798275]
CoT(Chain-of-Thought)プロンプトは,最近,姿勢検出タスクのパフォーマンス向上を図っている。
本研究では,姿勢検出タスクにおけるCOT性能を向上させるCOT埋め込みについて紹介する。
本モデルはソーシャルメディアから収集した複数の姿勢検出データセット上でのSOTA性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T17:18:10Z) - Accurate Neural Network Pruning Requires Rethinking Sparse Optimization [87.90654868505518]
標準コンピュータビジョンと自然言語処理の疎度ベンチマークを用いたモデルトレーニングにおいて,高い疎度が与える影響について述べる。
本稿では,視覚モデルのスパース事前学習と言語モデルのスパース微調整の両面において,この問題を軽減するための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-03T21:49:14Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳(メタデータ) (2023-03-20T14:12:55Z) - How would Stance Detection Techniques Evolve after the Launch of ChatGPT? [5.756359016880821]
2022年11月30日、新しい訓練済み言語モデルであるchatGPTが発売された。
ChatGPTは、SemEval-2016やP-Stanceといった一般的なデータセットに対して、SOTAまたは同様のパフォーマンスを達成することができる。
ChatGPTは、NLPのスタンス検出タスクにおいて、最高のAIモデルになる可能性がある。
論文 参考訳(メタデータ) (2022-12-30T05:03:15Z) - Alleviating Robust Overfitting of Adversarial Training With Consistency
Regularization [9.686724616328874]
対戦訓練(AT)は、ディープニューラルネットワーク(DNN)を敵の攻撃から守る最も効果的な方法の1つであることが証明されている。
強靭性は特定の段階で急激に低下し、常にATの間に存在する。
半教師付き学習の一般的なテクニックである一貫性の正規化は、ATと同じような目標を持ち、堅牢なオーバーフィッティングを軽減するために使用できる。
論文 参考訳(メタデータ) (2022-05-24T03:18:43Z) - PACTran: PAC-Bayesian Metrics for Estimating the Transferability of
Pretrained Models to Classification Tasks [22.41824478940036]
PACTranは、事前訓練されたモデル選択と転送可能性測定のための理論的に基礎付けられたメトリクスのファミリーである。
この結果から, PACTran は既存の選択法と比較して, より一貫性があり, 有効であることが示された。
論文 参考訳(メタデータ) (2022-03-10T02:54:56Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳(メタデータ) (2021-12-28T06:51:18Z) - How Should Pre-Trained Language Models Be Fine-Tuned Towards Adversarial
Robustness? [121.57551065856164]
本稿では,情報理論の観点から,新しい対角的微調整法としてロバスト・インフォーマティブ・ファインチューニング(RIFT)を提案する。
RIFTは、微調整プロセス全体を通して、事前訓練されたモデルから学んだ特徴を維持するために客観的モデルを奨励する。
実験の結果, RIFTは2つのNLPタスクにおいて, 最先端のタスクを一貫して上回っていることがわかった。
論文 参考訳(メタデータ) (2021-12-22T05:04:41Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳(メタデータ) (2021-05-07T09:22:34Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳(メタデータ) (2020-11-23T05:42:20Z)
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。