論文の概要: Easy Data Augmentation in Sentiment Analysis of Cyberbullying

• arxiv url: http://arxiv.org/abs/2312.03743v1
• Date: Wed, 29 Nov 2023 10:05:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 02:55:36.639050
• Title: Easy Data Augmentation in Sentiment Analysis of Cyberbullying
• Title（参考訳）: サイバーバブルの感性分析におけるデータ強化
• Authors: Alwan Wirawan, Hasan Dwi Cahyono, Winarno
• Abstract要約: インドネシアの若者の約50%にとって、サイバーいじめは重要な問題だ。 この問題に対処するために、コメントフィルタリングのための感情分析には、SVM(Support Vector Machine)とEDA(Easy Data Augmentation)を用いる。 EDAはデータセットを拡張し、サイバーいじめの堅牢な予測と分析を可能にする。 提案手法では,既存の最先端手法よりも92.5%,2.5%高い精度で精度が向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instagram, a social media platform, has in the vicinity of 2 billion active users in 2023. The platform allows users to post photos and videos with one another. However, cyberbullying remains a significant problem for about 50% of young Indonesians. To address this issue, sentiment analysis for comment filtering uses a Support Vector Machine (SVM) and Easy Data Augmentation (EDA). EDA will augment the dataset, enabling robust prediction and analysis of cyberbullying by introducing more variation. Based on the tests, SVM combination with EDA results in a 2.52% increase in the k-Fold Cross Validation score. Our proposed approach shows an improved accuracy of 92.5%, 2.5% higher than that of the existing state-of-the-art method. To maintain the reproducibility and replicability of this research, the source code can be accessed at uns.id/eda_svm.
• Abstract（参考訳）: ソーシャルメディアプラットフォームであるinstagramは、2023年に20億人のアクティブユーザーを獲得した。 このプラットフォームでは、ユーザーは互いに写真やビデオを投稿できる。 しかし、インドネシアの若者の約50%がサイバーいじめに悩まされている。 この問題に対処するため、コメントフィルタリングのための感情分析では、SVM(Support Vector Machine)とEDA(Easy Data Augmentation)を使用している。 edaはデータセットを強化し、より多くのバリエーションを導入することで、サイバーいじめの堅牢な予測と分析を可能にします。 テストに基づいて、SVMとEDAの組み合わせにより、k-Fold Cross Validationスコアが2.52%増加した。 提案手法では精度が92.5%向上し,従来の手法よりも2.5%向上した。 この研究の再現性と複製性を維持するため、ソースコードはuns.id/eda_svmでアクセスできる。

関連論文リスト

• ASVspoof 5: Crowdsourced Speech Data, Deepfakes, and Adversarial Attacks at Scale [59.25180900687571]
  ASVspoof 5は、音声スプーフとディープフェイク攻撃の研究を促進する一連の課題の第5版である。 本稿では,2つの課題トラック,新しいデータベース,評価指標,評価プラットフォームについて述べる。
  論文  参考訳（メタデータ） (2024-08-16T13:37:20Z)
• Deep Learning Based Cyberbullying Detection in Bangla Language [0.0]
  本研究は,ベンガルのサイバーいじめを識別する深層学習戦略を実証する。 2層双方向長短期メモリ(Bi-LSTM)モデルが構築され、サイバーいじめを識別する。
  論文  参考訳（メタデータ） (2024-01-07T04:58:59Z)
• Critical Analysis of 5G Networks Traffic Intrusion using PCA, t-SNE and UMAP Visualization and Classifying Attacks [0.0]
  最近発表された5Gトラフィックデータセットである5G-NIDDを用いて、機械学習とディープラーニングのアプローチを用いて、ネットワークトラフィックの異常を検出する。 相互情報とPCA技術を用いてデータ次元を減少させる。 マイノリティクラスの合成レコードを挿入することで、クラス不均衡を解消する。
  論文  参考訳（メタデータ） (2023-12-08T06:43:19Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• HaT5: Hate Language Identification using Text-to-Text Transfer Transformer [1.2532400738980594]
  比較的多様な2つのデータセットから5つのタスクにまたがる最先端技術(SoTA)アーキテクチャT5の性能について検討する。 性能向上のために,自己回帰モデルを用いてトレーニングデータを増強する。 サンプルの小さなセットを使用することで、データアノテーションが貧弱であることの難しさを明らかにします。
  論文  参考訳（メタデータ） (2022-02-11T15:21:27Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation [0.0]
  本稿では,対戦型学習攻撃手法を導入することで,新たな拡張手法を提案する。 また、データ拡張のためのFGSMとは逆の方式で機能する逆FGSMの概念も導入した。 実験の総合的な分析は、頑健さの強化とともに、敵対的機械学習の新たな利用を示唆している。
  論文  参考訳（メタデータ） (2021-05-25T17:44:19Z)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• Better Robustness by More Coverage: Adversarial Training with Mixup Augmentation for Robust Fine-tuning [69.65361463168142]
  adversarial data augmentation (ada) が広く採用されており、トレーニング中にadversarial例を追加することで、adversarial attackの検索スペースを拡大しようとしている。 我々は,MixADA (Adversarial Data Augmentation with Mixup) と呼ばれる,攻撃検索空間のより広い割合をカバーする,シンプルで効果的な手法を提案する。 BERT と RoBERTa のテキスト分類実験において,MixADA は2つの強敵攻撃による顕著な堅牢性向上を実現し,元のデータに対する ADA の性能を緩和する。
  論文  参考訳（メタデータ） (2020-12-31T16:28:07Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• Empirical Study of Text Augmentation on Social Media Text in Vietnamese [3.0938904602244355]
  テキスト分類問題では、データセット内のラベルの不均衡がテキスト分類モデルの性能に影響を及ぼす。 データセットのクラス間の不均衡問題を解決するために,データ拡張手法を適用した。 増量の結果、両コーパスのF1マクロスコアは約1.5%増加する。
  論文  参考訳（メタデータ） (2020-09-25T16:18:52Z)

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。