Fugu-MT 論文翻訳(概要): Profiling Irony & Stereotype: Exploring Sentiment, Topic, and Lexical Features

論文の概要: Profiling Irony & Stereotype: Exploring Sentiment, Topic, and Lexical Features

arxiv url: http://arxiv.org/abs/2311.04885v1
Date: Wed, 8 Nov 2023 18:44:47 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 14:44:08.314645
Title: Profiling Irony & Stereotype: Exploring Sentiment, Topic, and Lexical Features
Title（参考訳）: 皮肉とステレオタイプ:感情、話題、語彙の特徴を探求する
Authors: Tibor L. R. Krols, Marie Mortensen, Ninell Oldenburg
Abstract要約: 本研究では,Twitter利用者の皮肉を検知するシステムの構築を試みる。最近の研究は、TF-IDFやトピックモデルとともに、語彙的特徴、感情的特徴、コントラストの重要性を強調している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Social media has become a very popular source of information. With this popularity comes an interest in systems that can classify the information produced. This study tries to create such a system detecting irony in Twitter users. Recent work emphasize the importance of lexical features, sentiment features and the contrast herein along with TF-IDF and topic models. Based on a thorough feature selection process, the resulting model contains specific sub-features from these areas. Our model reaches an F1-score of 0.84, which is above the baseline. We find that lexical features, especially TF-IDF, contribute the most to our models while sentiment and topic modeling features contribute less to overall performance. Lastly, we highlight multiple interesting and important paths for further exploration.
Abstract（参考訳）: ソーシャルメディアは非常に人気のある情報源となっている。この人気により、生成された情報を分類できるシステムへの関心が高まる。本研究では,Twitter利用者の皮肉を検知するシステムを提案する。最近の研究は、TF-IDFやトピックモデルとともに、語彙的特徴、感情的特徴、コントラストの重要性を強調している。完全な特徴選択プロセスに基づいて、得られたモデルはこれらの領域の特定のサブ機能を含む。我々のモデルは、ベースラインを超える 0.84 の f1-score に達する。語彙的特徴、特にTF-IDFは我々のモデルに最も寄与するが、感情的特徴やトピックモデリング機能は全体的なパフォーマンスにはあまり寄与しない。最後に、さらなる探索のための興味深い重要な経路をいくつか挙げる。

関連論文リスト

Advancing Malicious Website Identification: A Machine Learning Approach Using Granular Feature Analysis [0.4972323953932129]
私たちの目標は、これらの細部をトレーニングした機械学習モデルを作ることです。 77の機能を提案し,9つのWebサイト分類にまたがる441,701のデータセットを作成し,モデルをトレーニングした。私たちの最高のパフォーマンスモデルは、ウェブサイトを95.89%の精度スコアで9つの分類のうち1つに分類することができた。
論文参考訳（メタデータ） (2024-09-11T20:42:41Z)
LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文参考訳（メタデータ） (2024-07-02T22:23:40Z)
Supervised Learning via Ensembles of Diverse Functional Representations: the Functional Voting Classifier [0.0]
本稿では,アンサンブルメンバーの学習に異なる関数型データ表現を用いる方法と,多数決によるベースモデル予測をどのように組み合わせることができるかを示す。このフレームワークは、機能的なデータでアンサンブルを投票するための基盤を提供し、FDAの文脈で非常に奨励された研究ラインを刺激することができる。
論文参考訳（メタデータ） (2024-03-23T09:24:29Z)
Panel Transitions for Genre Analysis in Visual Narratives [1.320904960556043]
本稿では,漫画や漫画風のビジュアル・ナラティブに基づくジャンルのマルチモーダル分析を行うための新しいアプローチを提案する。我々は、主観的ラベルをモデル化する際の既存の計算手法の限界と課題を強調した。
論文参考訳（メタデータ） (2023-12-14T08:05:09Z)
On the Foundations of Shortcut Learning [20.53986437152018]
予測と可用性が形状モデルの特徴的利用とどのように相互作用するかを考察する。線形モデルは比較的偏りがないが、ReLUやTanhの単位を持つ単一の隠蔽層を導入するとバイアスが生じる。
論文参考訳（メタデータ） (2023-10-24T22:54:05Z)
Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
論文参考訳（メタデータ） (2023-10-12T10:20:36Z)
Exploring Effective Factors for Improving Visual In-Context Learning [56.14208975380607]
In-Context Learning(ICL)は、いくつかのデモ(別名プロンプト)を通じて新しいタスクを理解し、モデルをチューニングせずに新しい入力を予測することである。本稿では,視覚的文脈学習の推論性能に直接的な影響を及ぼす要因として,迅速な選択と迅速な融合があげられる。視覚的インコンテキスト学習のためのシンプルなフレームワークプロンプトSelFを提案する。
論文参考訳（メタデータ） (2023-04-10T17:59:04Z)
Can I see an Example? Active Learning the Long Tail of Attributes and Relations [64.50739983632006]
視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-03-11T19:28:19Z)
Probabilistic Tracking with Deep Factors [8.030212474745879]
因子グラフに基づく確率的追跡フレームワークにおける特徴量に対する生成密度と組み合わせたディープ・フィーチャー・エンコーディングの使い方を示す。本稿では,学習した特徴エンコーダと生成密度を組み合わせる可能性モデルを提案する。
論文参考訳（メタデータ） (2021-12-02T21:31:51Z)
Topic Adaptation and Prototype Encoding for Few-Shot Visual Storytelling [81.33107307509718]
トピック間一般化の能力をモデル化するためのトピック適応型ストーリーテラを提案する。また,アトピー内導出能力のモデル化を目的とした符号化手法の試作も提案する。実験結果から,トピック適応とプロトタイプ符号化構造が相互に利益をもたらすことが明らかとなった。
論文参考訳（メタデータ） (2020-08-11T03:55:11Z)
SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
論文参考訳（メタデータ） (2020-05-02T15:15:50Z)

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。