論文の概要: Attention at SemEval-2023 Task 10: Explainable Detection of Online Sexism (EDOS)

• arxiv url: http://arxiv.org/abs/2304.04610v1
• Date: Mon, 10 Apr 2023 14:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 14:52:53.805093
• Title: Attention at SemEval-2023 Task 10: Explainable Detection of Online Sexism (EDOS)
• Title（参考訳）: SemEval-2023 Task 10: 説明可能なオンライン性差別の検出
• Authors: Debashish Roy, Manish Shrivastava
• Abstract要約: 我々は、分類タスクの形式でモデルによってなされた決定の解釈可能性、信頼、理解に取り組んできた。 最初のタスクは、バイナリ性検出を決定することで構成される。 第二の課題は性差別のカテゴリーを記述することである。 第3の課題は、よりきめ細かい性差別のカテゴリーを記述することである。
• 参考スコア（独自算出の注目度）: 15.52876591707497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we have worked on interpretability, trust, and understanding of the decisions made by models in the form of classification tasks. The task is divided into 3 subtasks. The first task consists of determining Binary Sexism Detection. The second task describes the Category of Sexism. The third task describes a more Fine-grained Category of Sexism. Our work explores solving these tasks as a classification problem by fine-tuning transformer-based architecture. We have performed several experiments with our architecture, including combining multiple transformers, using domain adaptive pretraining on the unlabelled dataset provided by Reddit and Gab, Joint learning, and taking different layers of transformers as input to a classification head. Our system (with team name Attention) was able to achieve a macro F1 score of 0.839 for task A, 0.5835 macro F1 score for task B and 0.3356 macro F1 score for task C at the Codalab SemEval Competition. Later we improved the accuracy of Task B to 0.6228 and Task C to 0.3693 in the test set.
• Abstract（参考訳）: 本稿では,分類タスクの形式でのモデルによる決定の解釈可能性,信頼度,理解について検討した。 タスクは3つのサブタスクに分けられる。 最初のタスクは、二元性差別検出を決定することである。 第2の課題は性差別の分類である。 第3の課題は、よりきめ細かい性差別のカテゴリーを記述することである。 本研究は,変換器アーキテクチャを微調整することで,これらのタスクを分類問題として解くことを目的とする。 我々は,複数のトランスフォーマーを組み合わせること,Reddit と Gab の提供する未ラベルデータセットに対するドメイン適応事前トレーニング,ジョイントラーニング,分類ヘッドへの入力として異なるトランスフォーマーの層を用いることなど,アーキテクチャによるいくつかの実験を行った。 このシステムでは,タスクAでは0.839のマクロF1スコア,タスクBでは0.5835のマクロF1スコア,タスクCでは0.3356のマクロF1スコアを達成できた。 その後,タスクbの精度を 0.6228 に,タスクc を 0.3693 に改善した。

関連論文リスト

• ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
  本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。 タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。 タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。 BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
  論文  参考訳（メタデータ） (2024-04-30T17:06:20Z)
• Mavericks at ArAIEval Shared Task: Towards a Safer Digital Space -- Transformer Ensemble Models Tackling Deception and Persuasion [0.0]
  本稿では,各課題のタスク1-Aとタスク2-Aのアプローチについて述べる。 タスクは、与えられたバイナリ分類問題に対して、ツイートとニュース記事のマルチジャンルスニペットを使用する。 タスク1-A(8位)では0.742、タスク2-A(7位)では0.901のマイクロF1スコアを達成した。
  論文  参考訳（メタデータ） (2023-11-30T17:26:57Z)
• HausaNLP at SemEval-2023 Task 10: Transfer Learning, Synthetic Data and Side-Information for Multi-Level Sexism Classification [0.007696728525672149]
  SemEval-2023 Task 10: Explainable Detection of Online Sexism (EDOS) task。 XLM-T (sentiment classification) と HateBERT (same domain - Reddit) の2つの言語モデルを用いて,マルチレベル分類をSexist と not Sexist に移行する効果を検討した。
  論文  参考訳（メタデータ） (2023-04-28T20:03:46Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• Deep Models for Visual Sentiment Analysis of Disaster-related Multimedia Content [4.284841324544116]
  本稿では,メディアエバル2021の課題,すなわち「視覚知覚分析:自然災害利用事例」に対する解決策を提案する。 この課題は、視聴者が知覚する感情と、ソーシャルメディア上で共有される自然災害関連画像によって伝達される感情メッセージを抽出し、分類することを目的としている。 提案したソリューションでは、主にImageNetで事前トレーニングされたInception-v3とVggNet-19という、最先端の2つのモデルに依存しています。
  論文  参考訳（メタデータ） (2021-11-30T10:22:41Z)
• Transformer Ensembles for Sexism Detection [0.0]
  この文書はEXIST2021ワークショップで性差別検出タスクのために行われた作業の詳細を提示する。 提案手法は,異なる背景とコーパスに基づいて訓練されたトランスフォーマーベースモデルのアンサンブルに基づいて構築される。 我々は,2進分類タスク(task1),f1スコア0.766,およびマルチクラスタスク(task2)精度0.623,f1スコア0.535について0.767の精度を報告する。
  論文  参考訳（メタデータ） (2021-10-29T16:51:50Z)
• Automatic Sexism Detection with Multilingual Transformer Models [0.0]
  本稿では,AIT_FHSTPチームによる2つのsexism Identification in Social neTworksタスクに対するEXIST 2021ベンチマークの貢献について述べる。 これらの課題を解決するために,多言語BERTとXLM-Rをベースとした2つの多言語変換モデルを適用した。 我々のアプローチでは、トランスフォーマーを性差別的コンテンツの検出に適用するために、2つの異なる戦略を用いています。 両方のタスクに対して、最高のモデルは、EXISTデータと追加データセットを教師なしで事前トレーニングしたXLM-Rです。
  論文  参考訳（メタデータ） (2021-06-09T08:45:51Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)
• Adaptive Task Sampling for Meta-Learning [79.61146834134459]
  数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。 一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T03:15:53Z)
• Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
  我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。 タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
  論文  参考訳（メタデータ） (2020-07-16T15:07:14Z)

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。