論文の概要: A Match Made in Heaven: A Multi-task Framework for Hyperbole and Metaphor Detection

• arxiv url: http://arxiv.org/abs/2305.17480v2
• Date: Tue, 30 May 2023 13:35:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 11:36:36.652750
• Title: A Match Made in Heaven: A Multi-task Framework for Hyperbole and Metaphor Detection
• Title（参考訳）: 天国におけるマッチ:ハイパーボイルとメタファー検出のためのマルチタスクフレームワーク
• Authors: Naveen Badathala, Abisek Rajakumar Kalarani, Tejpalsingh Siledar, Pushpak Bhattacharyya
• Abstract要約: ハイパボラとメタファーは日々のコミュニケーションで一般的である。 メタファーやハイパーボアを自動的に検出するための既存のアプローチは、これらの言語現象を独立して研究してきた。 ハイパーボラとメタファを同時に検出するマルチタスク深層学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 27.85834441076481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperbole and metaphor are common in day-to-day communication (e.g., "I am in deep trouble": how does trouble have depth?), which makes their detection important, especially in a conversational AI setting. Existing approaches to automatically detect metaphor and hyperbole have studied these language phenomena independently, but their relationship has hardly, if ever, been explored computationally. In this paper, we propose a multi-task deep learning framework to detect hyperbole and metaphor simultaneously. We hypothesize that metaphors help in hyperbole detection, and vice-versa. To test this hypothesis, we annotate two hyperbole datasets- HYPO and HYPO-L- with metaphor labels. Simultaneously, we annotate two metaphor datasets- TroFi and LCC- with hyperbole labels. Experiments using these datasets give an improvement of the state of the art of hyperbole detection by 12%. Additionally, our multi-task learning (MTL) approach shows an improvement of up to 17% over single-task learning (STL) for both hyperbole and metaphor detection, supporting our hypothesis. To the best of our knowledge, ours is the first demonstration of computational leveraging of linguistic intimacy between metaphor and hyperbole, leading to showing the superiority of MTL over STL for hyperbole and metaphor detection.
• Abstract（参考訳）: ハイパーボイルとメタファーは、日々のコミュニケーション(例えば、"i am in deep trouble": how does trouble have depth?)において一般的であり、特に会話型ai環境では、その検出が重要である。 メタファとハイパーボイルを自動的に検出する既存のアプローチは、これらの言語現象を独立に研究してきたが、それらの関係が計算的に研究されることはなかった。 本稿では,ハイパーボラとメタファを同時に検出するマルチタスク深層学習フレームワークを提案する。 我々はメタファがハイパボラ検出に役立ち、その逆を仮定する。 この仮説をテストするために,2つのハイパボラデータセット(HYPOとHYPO-L)をメタファーラベルで注釈付けする。 同時に、2つのメタファデータセット、TroFi と LCC をハイパボレラベルで注釈付けする。 これらのデータセットを用いた実験は、ハイパーボールの検出技術の現状を12%改善する。 さらに、マルチタスク学習(MTL)アプローチでは、ハイパボラとメタファ検出の両方において、シングルタスク学習(STL)よりも最大17%改善し、仮説を支持しています。 我々の知る限りでは、メタファーとハイパーボールの言語親和性を利用した計算の初めての実証であり、ハイパーボールのSTLよりもMTLの方が優れていることを示す。

関連論文リスト

• NYK-MS: A Well-annotated Multi-modal Metaphor and Sarcasm Understanding Benchmark on Cartoon-Caption Dataset [11.453576424853749]
  我々は、メタファー理解タスクのための1,583のサンプルを含むNYK-MSという新しいベンチマークを作成する。 課題にはメタファ/サルカズムが含まれているか、どの単語やオブジェクトがメタファ/サルカズムを含んでいるか、何が風刺されているのか、なぜなのかなどが含まれる。 7つのタスクはすべて、少なくとも3つのアノテータによって十分に注釈付けされている。
  論文  参考訳（メタデータ） (2024-09-02T08:14:49Z)
• Metaphor Understanding Challenge Dataset for LLMs [12.444344984005236]
  メタファー理解チャレンジデータセット(MUNCH)をリリースする。 MUNCHは、大規模言語モデル(LLM)のメタファー理解能力を評価するように設計されている。 このデータセットは、メタファーの使用を含む文に対して10k以上のパラフレーズと、不適応パラフレーズを含む1.5kのインスタンスを提供する。
  論文  参考訳（メタデータ） (2024-03-18T14:08:59Z)
• That was the last straw, we need more: Are Translation Systems Sensitive to Disambiguating Context? [64.38544995251642]
  我々は、源泉に存在している意味的あいまいさ(本研究における英語)について研究する。 我々は、リテラルと図形の両方にオープンなイディオムに焦点を当てている。 現在のMTモデルは、たとえ文脈が比喩的解釈を示しているとしても、英語のイディオムを文字通りに翻訳する。
  論文  参考訳（メタデータ） (2023-10-23T06:38:49Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Image Matters: A New Dataset and Empirical Study for Multimodal Hyperbole Detection [52.04083398850383]
  私たちはWeibo(中国のソーシャルメディア)からマルチモーダル検出データセットを作成します。 Weiboのテキストとイメージを2つのモダリティとして扱い、ハイパボラ検出におけるテキストとイメージの役割を探求する。 また、このダウンストリームタスクにおいて、事前訓練された異なるマルチモーダルエンコーダの評価を行い、その性能を示す。
  論文  参考訳（メタデータ） (2023-07-01T03:23:56Z)
• MOVER: Mask, Over-generate and Rank for Hyperbole Generation [82.63394952538292]
  文をハイパボリックなパラフレーズに変換するために, ハイパボラ生成という新しいタスクを導入する。 非自明な方法で17,862個の双曲文を含む最初の大規模双曲コーパスであるHYPO-XLを構築した。 コーパスに基づいて,並列リテラル-ハイパボールのペアを必要とせず,教師なしのハイパーボールの生成法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T05:25:13Z)
• HypoGen: Hyperbole Generation with Commonsense and Counterfactual Knowledge [11.93269712166532]
  ハイパボールは意図的で創造的な誇張であり、文字通り取られるべきではない。 我々は,文レベルのハイパボラ生成の未探索かつ挑戦的な課題に取り組む。 我々の生成方法は、高い成功率と強度スコアで創造的に双曲を生成することができる。
  論文  参考訳（メタデータ） (2021-09-10T20:19:52Z)
• Metaphor Generation with Conceptual Mappings [58.61307123799594]
  我々は、関連する動詞を置き換えることで、リテラル表現を与えられた比喩文を生成することを目指している。 本稿では,認知領域間の概念マッピングを符号化することで生成過程を制御することを提案する。 教師なしCM-Lexモデルは,近年のディープラーニングメタファ生成システムと競合することを示す。
  論文  参考訳（メタデータ） (2021-06-02T15:27:05Z)
• MERMAID: Metaphor Generation with Symbolism and Discriminative Decoding [22.756157298168127]
  メタファーとシンボル間の理論的に基底的な接続に基づいて,並列コーパスを自動構築する手法を提案する。 生成タスクには、並列データに微調整されたシーケンスモデルへのシーケンスの復号を導くためのメタファ判別器を組み込んだ。 課題に基づく評価では、比喩のない詩に比べて、比喩で強化された人文詩が68%の時間を好むことが示されている。
  論文  参考訳（メタデータ） (2021-03-11T16:39:19Z)
• Metaphoric Paraphrase Generation [58.592750281138265]
  クラウドソーシングを用いてその結果を評価し,メタファー的パラフレーズを評価するための自動指標を開発する。 語彙置換ベースラインは正確なパラフレーズを生成できるが、比喩的でないことが多い。 メタファーマスキングモデルでは,メタファー文の生成に優れ,流布やパラフレーズの品質に関してはほぼ同等に機能する。
  論文  参考訳（メタデータ） (2020-02-28T16:30:33Z)

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。