論文の概要: A Logically Consistent Chain-of-Thought Approach for Stance Detection
- arxiv url: http://arxiv.org/abs/2312.16054v1
- Date: Tue, 26 Dec 2023 13:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 14:57:24.450313
- Title: A Logically Consistent Chain-of-Thought Approach for Stance Detection
- Title(参考訳): ステンス検出のための論理的に一貫性のあるチェーン・オブ・サートアプローチ
- Authors: Bowen Zhang, Daijun Ding, Liwen Jing and Hu Huang
- Abstract要約: ゼロショット姿勢検出(ZSSD)は、見えない標的に対する姿勢を検出することを目的としている。
本稿では,ZSSDのためのLC-CoT (Logically Consistent Chain-of-Thought) という新しいアプローチを提案する。
LC-CoTは、関連性および論理的に健全な知識抽出を保証することにより、姿勢検出を改善する。
- 参考スコア(独自算出の注目度): 4.895189262775054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot stance detection (ZSSD) aims to detect stances toward unseen
targets. Incorporating background knowledge to enhance transferability between
seen and unseen targets constitutes the primary approach of ZSSD. However,
these methods often struggle with a knowledge-task disconnect and lack logical
consistency in their predictions. To address these issues, we introduce a novel
approach named Logically Consistent Chain-of-Thought (LC-CoT) for ZSSD, which
improves stance detection by ensuring relevant and logically sound knowledge
extraction. LC-CoT employs a three-step process. Initially, it assesses whether
supplementary external knowledge is necessary. Subsequently, it uses API calls
to retrieve this knowledge, which can be processed by a separate LLM. Finally,
a manual exemplar guides the LLM to infer stance categories, using an if-then
logical structure to maintain relevance and logical coherence. This structured
approach to eliciting background knowledge enhances the model's capability,
outperforming traditional supervised methods without relying on labeled data.
- Abstract(参考訳): ゼロショット姿勢検出(ZSSD)は、見えない標的に対する姿勢を検出することを目的としている。
視野と見えない対象間の伝達可能性を高めるために背景知識を組み込むことが、ZSSDの主要なアプローチである。
しかし、これらの手法は、しばしば知識とタスクの切り離しに苦労し、その予測に論理的一貫性を欠いている。
これらの問題に対処するために,ZSSDのためのLC-CoT(Logically Consistent Chain-of-Thought)という新しいアプローチを導入する。
LC-CoTは3段階のプロセスを採用している。
当初は補足的な外部知識が必要かどうかを評価する。
その後、APIコールを使用してこの知識を検索し、別個のLLMで処理できる。
最後に、手動の見習い者がLLMを誘導して姿勢カテゴリーを推論し、if-then論理構造を用いて関連性と論理コヒーレンスを維持する。
背景知識を排除するこの構造化アプローチは、従来の教師付きメソッドよりもラベル付きデータに頼ることなく、モデルの能力を高める。
関連論文リスト
- On the Intersection of Signal Processing and Machine Learning: A Use Case-Driven Analysis Approach [28.59539400247894]
この研究は、アプリケーションに依存しないレビューを提供し、特徴抽出技術のための新しい分類分類を導入している。
理論的概念と実践的応用を結びつけることを目的としており、2つの特定のユースケースを通じてこれを実証している。
理論的貢献に加えて、この研究は、関連するPythonおよびPythonベースの信号処理コードの公開リポジトリを提供することで、共同研究文化を促進する。
論文 参考訳(メタデータ) (2024-03-25T20:47:10Z) - Cross-target Stance Detection by Exploiting Target Analytical
Perspectives [22.320628580895164]
目標位置検出(CTSD)は,目標位置からのアノテートデータを利用することで,目標位置の姿勢を推定する重要なタスクである。
CTSDにおける重要なアプローチの1つは、複数のターゲット間の知識ギャップを埋めるために、ドメイン不変の特徴を抽出することである。
本稿では,解析的視点をブリッジとして用いたCTSDのためのMPPTモデルを提案する。
論文 参考訳(メタデータ) (2024-01-03T14:28:55Z) - Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳(メタデータ) (2023-10-19T12:59:55Z) - Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。
LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。
モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
論文 参考訳(メタデータ) (2023-10-02T01:00:50Z) - Ladder-of-Thought: Using Knowledge as Steps to Elevate Stance Detection [73.31406286956535]
姿勢検出タスクにLadder-of-Thought(LoT)を導入する。
LoTは、小さなLMに高品質な外部知識を同化させ、生成した中間的論理を精査するように指示する。
実験では, 姿勢検出タスクにおけるCoTのGPT-3.5よりも16%改善し, 10%向上した。
論文 参考訳(メタデータ) (2023-08-31T14:31:48Z) - A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。
先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。
本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
論文 参考訳(メタデータ) (2023-06-05T01:01:12Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳(メタデータ) (2023-05-12T00:13:17Z) - Reason from Context with Self-supervised Learning [15.16197896174348]
文脈推論(SeCo)のための外部記憶を用いた自己教師型手法を提案する。
どちらのタスクでも、SeCoはすべての最先端(SOTA)SSLメソッドを大幅なマージンで上回りました。
以上の結果から,SeCoは人間的な行動を示すことが明らかとなった。
論文 参考訳(メタデータ) (2022-11-23T10:02:05Z) - MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。
2つの新しい戦略が我々の手法の必須要素である。
論文 参考訳(メタデータ) (2022-03-01T11:13:00Z) - Reinforcement Learning-powered Semantic Communication via Semantic
Similarity [13.569045590522316]
我々は,ビットレベルの精度を厳格に確保する代わりに,セマンティック情報を保存するための新しいセマンティックコミュニケーション機構を導入する。
一般的に使用されるビットレベルのメトリクスは、重要な意味や構造を捉えるのに脆弱であることを示す。
ユーザ定義のセマンティック測定を同時に最適化できる強化学習(RL)ベースのソリューションを提案しました。
論文 参考訳(メタデータ) (2021-08-27T05:21:05Z)
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。