論文の概要: TIGTEC : Token Importance Guided TExt Counterfactuals

• arxiv url: http://arxiv.org/abs/2304.12425v1
• Date: Mon, 24 Apr 2023 20:11:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 22:46:23.003685
• Title: TIGTEC : Token Importance Guided TExt Counterfactuals
• Title（参考訳）: TIGTEC : Token Importance Guided TExt Counterfactuals
• Authors: Milan Bhan and Jean-Noel Vittaut and Nicolas Chesneau and Marie-Jeanne Lesot
• Abstract要約: 本稿では,スパース,プラプティブル,多種多様な対実的説明を生成するための,効率的かつモジュール化されたTIGTECを提案する。 新たな注目に基づく局所的特徴の重要性が提案されている。 実験により、TIGTECは成功率、疎度、多様性、妥当性の点で関連性を示す。
• 参考スコア（独自算出の注目度）: 1.1642121991499805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual examples explain a prediction by highlighting changes of instance that flip the outcome of a classifier. This paper proposes TIGTEC, an efficient and modular method for generating sparse, plausible and diverse counterfactual explanations for textual data. TIGTEC is a text editing heuristic that targets and modifies words with high contribution using local feature importance. A new attention-based local feature importance is proposed. Counterfactual candidates are generated and assessed with a cost function integrating semantic distance, while the solution space is efficiently explored in a beam search fashion. The conducted experiments show the relevance of TIGTEC in terms of success rate, sparsity, diversity and plausibility. This method can be used in both model-specific or model-agnostic way, which makes it very convenient for generating counterfactual explanations.
• Abstract（参考訳）: counterfactualの例では、分類子の結果をひっくり返すインスタンスの変更を強調することで予測を説明する。 本稿では,テキストデータに対して,スパース,可塑性,多種多様な反実的説明を生成するための,効率的かつモジュール化されたTIGTECを提案する。 TIGTECはテキスト編集ヒューリスティックであり、局所的特徴量を用いて高いコントリビューションで単語をターゲット・修正する。 新しい注意に基づくローカル機能の重要性について提案する。 解空間をビーム探索方式で効率的に探索しながら、意味距離を統合するコスト関数を用いて反事実候補を生成して評価する。 実験の結果,TIGTECは成功率,疎度,多様性,妥当性との関連性を示した。 この方法は、モデル固有またはモデル非依存の方法で使用することができ、反実的説明を生成するのに非常に便利である。

関連論文リスト

• Likelihood as a Performance Gauge for Retrieval-Augmented Generation [78.28197013467157]
  言語モデルの性能の効果的な指標としての可能性を示す。 提案手法は,より優れた性能をもたらすプロンプトの選択と構築のための尺度として,疑似可能性を利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-11-12T13:14:09Z)
• Visual Prompting for Generalized Few-shot Segmentation: A Multi-scale Approach [29.735863112700358]
  本稿では,GFSSタスクにおいて,学習した視覚的プロンプトを用いたトランスフォーマーデコーダの有効性について検討する。 我々のゴールは、限られた例を持つ新しいカテゴリだけでなく、基本カテゴリにおけるパフォーマンスを維持することにある。 本稿では,新しいプロンプトと限られた例で学習したベースプロンプトと,豊富なデータで学習したベースプロンプトとの間に一方向因果注意機構を導入する。
  論文  参考訳（メタデータ） (2024-04-17T20:35:00Z)
• Gradable ChatGPT Translation Evaluation [7.697698018200632]
  大規模事前学習に基づく言語モデルであるChatGPTは,機械翻訳の領域に大きな影響を与えている。 翻訳の素早い設計は、翻訳のスタイル、精度、正確さなどの要因に影響を与えうる重要な側面として現れる。 本稿では,表現タイプ,翻訳スタイル,POS情報,明示的ステートメントの観点から,段階的な翻訳プロンプトを規定する総称分類法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T13:58:10Z)
• Unifying Structure and Language Semantic for Efficient Contrastive Knowledge Graph Completion with Structured Entity Anchors [0.3913403111891026]
  知識グラフ補完(KGC)の目標は、すでに知られている訓練された事実を用いて、KGの欠落したリンクを予測することである。 本稿では,帰納的推論の力を失うことなく,構造情報と言語意味を効果的に統一する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T11:17:55Z)
• ChatGraph: Interpretable Text Classification by Converting ChatGPT Knowledge to Graphs [54.48467003509595]
  ChatGPTは、様々な自然言語処理(NLP)タスクにおいて優れたパフォーマンスを示している。 テキスト分類などの特定のタスクにChatGPTのパワーを利用する新しいフレームワークを提案する。 本手法は,従来のテキスト分類法と比較して,より透過的な意思決定プロセスを提供する。
  論文  参考訳（メタデータ） (2023-05-03T19:57:43Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• AugGPT: Leveraging ChatGPT for Text Data Augmentation [59.76140039943385]
  本稿では,ChatGPT(AugGPT)に基づくテキストデータ拡張手法を提案する。 AugGPTはトレーニングサンプルの各文を、概念的には似ているが意味的に異なる複数のサンプルに言い換える。 数ショットの学習テキスト分類タスクの実験結果は、提案したAugGPTアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-02-25T06:58:16Z)
• Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs [18.56742938427262]
  実生活知識グラフ(KG)に対するマルチホップ推論は非常に難しい問題である。 この問題に対処するため、最近、論理的クエリとKGを併用した有望なアプローチを導入している。 本稿では,クエリにおけるエンティティと関係表現を強化する新しいTEMP(TypE-aware Message Passing)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-02T10:05:13Z)
• Fine-Grained Visual Entailment [51.66881737644983]
  そこで本稿では,テキストから画像への微粒な知識要素の論理的関係を予測することを目的として,このタスクの拡張を提案する。 従来の研究とは異なり、本手法は本質的に説明可能であり、異なるレベルの粒度で論理的予測を行う。 本手法は,手動でアノテートした知識要素のデータセットを用いて評価し,この課題に対して68.18%の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T16:09:38Z)
• Be More with Less: Hypergraph Attention Networks for Inductive Text Classification [56.98218530073927]
  グラフニューラルネットワーク(GNN)は、研究コミュニティで注目され、この標準タスクで有望な結果を実証している。 成功にもかかわらず、それらのパフォーマンスは、単語間の高次相互作用をキャプチャできないため、実際は大部分が危険に晒される可能性がある。 本稿では,テキスト表現学習において,少ない計算量でより表現力の高いハイパーグラフアテンションネットワーク(HyperGAT)を提案する。
  論文  参考訳（メタデータ） (2020-11-01T00:21:59Z)

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。