論文の概要: STANCE-C3: Domain-adaptive Cross-target Stance Detection via Contrastive
Learning and Counterfactual Generation
- arxiv url: http://arxiv.org/abs/2309.15176v1
- Date: Tue, 26 Sep 2023 18:19:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 18:08:08.029825
- Title: STANCE-C3: Domain-adaptive Cross-target Stance Detection via Contrastive
Learning and Counterfactual Generation
- Title(参考訳): STANCE-C3:コントラスト学習と対実生成によるドメイン適応型クロスターゲットスタンス検出
- Authors: Nayoung Kim, David Mosallanezhad, Lu Cheng, Michelle V. Mancenido,
Huan Liu
- Abstract要約: 本稿では,ドメイン適応型クロスターゲット STANCE をコントラスト学習と対実生成により生成する新しいスタンス検出モデルを提案する。
その結果,STANCE-C3は既存の最先端手法よりも性能が向上していることが判明した。
- 参考スコア(独自算出の注目度): 16.586730118466996
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stance detection is the process of inferring a person's position or
standpoint on a specific issue to deduce prevailing perceptions toward topics
of general or controversial interest, such as health policies during the
COVID-19 pandemic. Existing models for stance detection are trained to perform
well for a single domain (e.g., COVID-19) and a specific target topic (e.g.,
masking protocols), but are generally ineffectual in other domains or targets
due to distributional shifts in the data. However, constructing
high-performing, domain-specific stance detection models requires an extensive
corpus of labeled data relevant to the targeted domain, yet such datasets are
not readily available. This poses a challenge as the process of annotating data
is costly and time-consuming. To address these challenges, we introduce a novel
stance detection model coined domain-adaptive Cross-target STANCE detection via
Contrastive learning and Counterfactual generation (STANCE-C3) that uses
counterfactual data augmentation to enhance domain-adaptive training by
enriching the target domain dataset during the training process and requiring
significantly less information from the new domain. We also propose a modified
self-supervised contrastive learning as a component of STANCE-C3 to prevent
overfitting for the existing domain and target and enable cross-target stance
detection. Through experiments on various datasets, we show that STANCE-C3
shows performance improvement over existing state-of-the-art methods.
- Abstract(参考訳): スタンス検出(スタンス検出)とは、新型コロナウイルス(COVID-19)のパンデミックにおける健康政策など、一般的な関心事や議論の的となっている話題に対する一般的な認識を推論するために、特定の問題に対する人物の位置や立場を推定するプロセスである。
既存のスタンス検出モデルは、単一のドメイン(例えば、COVID-19)と特定のターゲットトピック(例えば、マスキングプロトコル)に対してうまく機能するように訓練されるが、データ内の分散シフトのため、一般的に他のドメインやターゲットでは効果がない。
しかし、ハイパフォーマンスなドメイン固有のスタンス検出モデルを構築するには、ターゲットドメインに関連するラベル付きデータの広範なコーパスが必要である。
これは、データのアノテートプロセスがコストと時間を要するため、課題となる。
そこで,本研究では,学習中に対象領域データセットを充実させ,新たなドメインからの情報量を大幅に減らすことにより,非事実的データ拡張によるドメイン適応型トレーニングを強化するための,コントラスト学習と反事実生成(stance-c3)によるドメイン適応型クロスターゲットスタンス検出モデルを提案する。
また,STANCE-C3の構成要素である自己教師付きコントラスト学習を改良し,既存のドメインへの過度な適合を防止し,ターゲット間姿勢検出を可能にする。
各種データセットを用いた実験により, stand-c3 は既存の最先端手法よりも性能が向上することを示す。
関連論文リスト
- Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。
このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。
我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
論文 参考訳(メタデータ) (2024-02-07T04:11:25Z) - Domain Generalization of 3D Object Detection by Density-Resampling [14.510085711178217]
ポイントクラウドベースの3Dオブジェクト検出は、新しいドメインギャップを持つデータに遭遇する際のパフォーマンス劣化に悩まされる。
対象領域に対する3次元物体検出の一般化性を向上させるためのSDG法を提案する。
本研究では,新しいデータ拡張手法を導入し,その方法論に新しいマルチタスク学習戦略を貢献する。
論文 参考訳(メタデータ) (2023-11-17T20:01:29Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳(メタデータ) (2022-08-15T20:05:07Z) - Unsupervised Domain Adaptation for Monocular 3D Object Detection via
Self-Training [57.25828870799331]
我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。
対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。
STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
論文 参考訳(メタデータ) (2022-04-25T12:23:07Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。
既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。
我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文 参考訳(メタデータ) (2021-07-23T17:19:23Z) - Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。
高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。
このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文 参考訳(メタデータ) (2021-05-27T23:34:06Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z)
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。