論文の概要: A Weak Supervision Approach for Few-Shot Aspect Based Sentiment
- arxiv url: http://arxiv.org/abs/2305.11979v1
- Date: Fri, 19 May 2023 19:53:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 01:33:20.351283
- Title: A Weak Supervision Approach for Few-Shot Aspect Based Sentiment
- Title（参考訳）: Few-Shot Aspect based Sentimentのための弱スーパービジョンアプローチ
- Authors: Robert Vacareanu, Siddharth Varia, Kishaloy Halder, Shuai Wang,
Giovanni Paolini, Neha Anna John, Miguel Ballesteros, Smaranda Muresan
- Abstract要約: 豊富なラベルのないデータに対する弱みの監視は、感情分析タスクにおける数ショットのパフォーマンスを改善するために利用することができる。
ノイズの多いABSAデータセットを構築するパイプライン手法を提案し,それを用いて事前学習されたシーケンス・ツー・シーケンスモデルをABSAタスクに適用する。
提案手法は, 数ショット学習シナリオにおいて, 大幅な改良(15.84%) を示しながら, 完全な微調整性能を保っている。
- 参考スコア（独自算出の注目度）: 39.33888584498155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore how weak supervision on abundant unlabeled data can be leveraged
to improve few-shot performance in aspect-based sentiment analysis (ABSA)
tasks. We propose a pipeline approach to construct a noisy ABSA dataset, and we
use it to adapt a pre-trained sequence-to-sequence model to the ABSA tasks. We
test the resulting model on three widely used ABSA datasets, before and after
fine-tuning. Our proposed method preserves the full fine-tuning performance
while showing significant improvements (15.84% absolute F1) in the few-shot
learning scenario for the harder tasks. In zero-shot (i.e., without
fine-tuning), our method outperforms the previous state of the art on the
aspect extraction sentiment classification (AESC) task and is, additionally,
capable of performing the harder aspect sentiment triplet extraction (ASTE)
task.
- Abstract（参考訳）: 我々は、アスペクトベース感情分析(absa)タスクにおいて、豊富なラベルのないデータに対する弱い監督をいかに活用できるかを考察する。
ノイズの多いABSAデータセットを構築するパイプライン手法を提案し,それを用いて事前学習されたシーケンス・ツー・シーケンスモデルをABSAタスクに適用する。
3つのABSAデータセットを用いて、微調整前後で結果のモデルを検証した。
提案手法は, 難解なタスクに対する数ショット学習シナリオにおいて, 大幅な改善(15.84%)を示しながら, 完全な微調整性能を保っている。
ゼロショット(微調整なし)では、アスペクト抽出感情分類(AESC)タスクにおいて、従来の手法よりも優れており、さらに、より難しいアスペクト感情感情の3重項抽出(ASTE)タスクを実行可能である。
関連論文リスト
- Deep Content Understanding Toward Entity and Aspect Target Sentiment Analysis on Foundation Models [0.8602553195689513]
Entity-Aspect Sentiment Triplet extract (EASTE)は、Aspect-Based Sentiment Analysisタスクである。
本研究は,EASTEタスクにおける高性能化を目標とし,モデルサイズ,タイプ,適応技術がタスクパフォーマンスに与える影響について検討する。
最終的には、複雑な感情分析における詳細な洞察と最先端の成果を提供する。
論文 参考訳（メタデータ） (2024-07-04T16:48:14Z) - It is Simple Sometimes: A Study On Improving Aspect-Based Sentiment Analysis Performance [3.951769809066429]
タスク記述にNLP関連タスクプレフィックスを付加することにより、命令学習パラダイムの拡張であるPFInstructを提案する。
この単純なアプローチは全てのテストされたSemEvalサブタスクのパフォーマンスを改善し、ATEサブタスク(Rest14)の以前の状態(SOTA)を+3.28 F1スコア、AOOEサブタスクの平均+5.43 F1スコアで上回った。
論文 参考訳（メタデータ） (2024-05-31T08:57:09Z) - CONTRASTE: Supervised Contrastive Pre-training With Aspect-based Prompts
For Aspect Sentiment Triplet Extraction [13.077459544929598]
本稿では,ConTRastive Learning を用いた新しい事前学習戦略を提案する。
また,ACOS,TASD,AESCなどの他のABSAタスクに対して提案手法の利点を示す。
論文 参考訳（メタデータ） (2023-10-24T07:40:09Z) - Incremental Few-Shot Object Detection via Simple Fine-Tuning Approach [6.808112517338073]
iFSDは、いくつかの例を使って、ベースクラスを再考することなく、新しいクラスを漸進的に学習する。
そこで本研究では,iFSDのための単純な微調整手法であるIncrmental Two-stage Fine-tuning Approach (iTFA)を提案する。
iTFAはCOCOの競争性能を達成し、LVISデータセットのメタラーニング手法よりも30%高いAP精度を示す。
論文 参考訳（メタデータ） (2023-02-20T05:48:46Z) - InstructABSA: Instruction Learning for Aspect Based Sentiment Analysis [58.188050006989144]
InstructABSAは、Aspect-Based Sentiment Analysis (ABSA)サブタスクのための命令学習パラダイムである。
提案手法は,各トレーニングサンプルに対して正,負,中立の例を導入し,ABSAサブタスクのモデル(Tk-インストラクト)を指導し,大幅な性能向上をもたらす。
論文 参考訳（メタデータ） (2023-02-16T23:29:22Z) - Instruction Tuning for Few-Shot Aspect-Based Sentiment Analysis [72.9124467710526]
生成的アプローチは、テキストから(1つ以上の)4つの要素を1つのタスクとして抽出するために提案されている。
本稿では,ABSAを解くための統一的なフレームワークと,それに関連するサブタスクを提案する。
論文 参考訳（メタデータ） (2022-10-12T23:38:57Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - A Simple Information-Based Approach to Unsupervised Domain-Adaptive
Aspect-Based Sentiment Analysis [58.124424775536326]
本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。
実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
論文 参考訳（メタデータ） (2022-01-29T10:18:07Z) - A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis [9.587513675287829]
アスペクトベースの感情分析は、アスペクト項抽出、意見項抽出、アスペクトレベルの感情分類の3つの基本的なサブタスクを含む。
以前のアプローチでは、すべてのサブタスクを統一されたエンドツーエンドフレームワークで解決できなかった。
パラメータ共有による2つのBERT-MRCモデルの共同トレーニングにより、2つの機械読解問題を構築し、すべてのサブタスクを解決します。
論文 参考訳（メタデータ） (2021-01-04T07:47:53Z) - Tasty Burgers, Soggy Fries: Probing Aspect Robustness in Aspect-Based
Sentiment Analysis [71.40390724765903]
アスペクトベースの感情分析(ABSA)は、テキストの特定の側面に対する感情を予測することを目的としている。
既存のABSAテストセットは、モデルが対象のアスペクトの感情を非ターゲットのアスペクトと区別できるかどうかを調査するために使用できない。
我々は、対象の側面の感情から、対象でない側面の相反する感情を解き放つための新しい例を生成する。
論文 参考訳（メタデータ） (2020-09-16T22:38:18Z)
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。