論文の概要: Comparing Human-Centered Language Modeling: Is it Better to Model
Groups, Individual Traits, or Both?
- arxiv url: http://arxiv.org/abs/2401.12492v1
- Date: Tue, 23 Jan 2024 05:20:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 16:40:59.309789
- Title: Comparing Human-Centered Language Modeling: Is it Better to Model
Groups, Individual Traits, or Both?
- Title(参考訳): 人中心言語モデリングの比較: モデルグループ、個人特性、どちらが良いか?
- Authors: Nikita Soni, Niranjan Balasubramanian, H. Andrew Schwartz, and Dirk
Hovy
- Abstract要約: グループ属性は技術的には簡単だが粗い。
個人をモデル化することは、個人のアイデンティティの複雑さを捉えます。
ユーザの履歴データなしでも,個々のユーザモデリングが良好であることがわかった。
- 参考スコア(独自算出の注目度): 36.03935815294279
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Natural language processing has made progress in incorporating human context
into its models, but whether it is more effective to use group-wise attributes
(e.g., over-45-year-olds) or model individuals remains open. Group attributes
are technically easier but coarse: not all 45-year-olds write the same way. In
contrast, modeling individuals captures the complexity of each person's
identity. It allows for a more personalized representation, but we may have to
model an infinite number of users and require data that may be impossible to
get. We compare modeling human context via group attributes, individual users,
and combined approaches. Combining group and individual features significantly
benefits user-level regression tasks like age estimation or personality
assessment from a user's documents. Modeling individual users significantly
improves the performance of single document-level classification tasks like
stance and topic detection. We also find that individual-user modeling does
well even without user's historical data.
- Abstract(参考訳): 自然言語処理は、人間のコンテキストをモデルに組み込むことで進歩してきたが、集団的属性(例えば45歳以上)を使うことが効果的であるかどうか、モデル個人は依然としてオープンである。
グループ属性は技術的には簡単だが粗い – 45歳のすべての人が同じように書くわけではない。
対照的に、モデリング個人は個人のアイデンティティの複雑さを捉える。
よりパーソナライズされた表現を可能にしますが、無限数のユーザをモデル化し、入手不可能なデータを必要とするかもしれません。
グループ属性,個人ユーザ,複合的アプローチによるヒューマンコンテキストのモデリングを比較した。
グループと個々の機能を組み合わせることで、ユーザのドキュメントから年齢推定やパーソナリティ評価といった、ユーザレベルのレグレッションタスクが大幅に向上する。
個々のユーザをモデリングすることで、スタンスやトピック検出といった単一のドキュメントレベルの分類タスクのパフォーマンスが大幅に向上する。
また、個々のユーザモデリングは、ユーザーの履歴データなしでもうまく機能する。
関連論文リスト
- Sentence Level Curriculum Learning for Improved Neural Conversational
Models [0.0]
我々は、人間と会話するための機械知能の設計方法を研究する。
私たちのゴールは、各セグメントのコーパスが長い文対で構成されているように、トレーニングをセグメントに分けることです。
これは、人間の学習の望ましい"ビルドアップ"コンポーネントを模倣します。
論文 参考訳(メタデータ) (2023-05-15T17:28:59Z) - Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。
我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。
そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
論文 参考訳(メタデータ) (2023-02-06T10:28:16Z) - Task Ambiguity in Humans and Language Models [7.033374427612259]
本稿では,あいまいな分類タスクのベンチマークであるAmbiBenchを提案する。
AmbiBench上での人間とモデルの評価は、意図したタスクがどの程度うまく認識されているかを確認することで行う。
本研究では,大規模なフィードバックトレーニングを伴わずに学習した言語モデルの精度を劇的に向上させる方法について述べる。
論文 参考訳(メタデータ) (2022-12-20T18:35:33Z) - Training Language Models with Natural Language Feedback [51.36137482891037]
3段階学習アルゴリズムを用いてモデル出力の言語フィードバックから学習する。
合成実験において、まず言語モデルがフィードバックを正確に組み込んで改良を行うかどうかを評価する。
人間の手書きフィードバックのサンプルは100程度しかなく, 学習アルゴリズムはGPT-3モデルを微調整し, ほぼ人間レベルの要約を行う。
論文 参考訳(メタデータ) (2022-04-29T15:06:58Z) - End-to-end One-shot Human Parsing [91.5113227694443]
One-shot Human Parsing (OSHP) タスクでは、テスト例によって定義されたオープンなクラスに人間を解析する必要がある。
EOP-Net (End-to-end One-shot Human Parsing Network) が提案されている。
EOP-Netは、一発セグメンテーションモデルを大きなマージンで上回る。
論文 参考訳(メタデータ) (2021-05-04T01:35:50Z) - Estimating Subjective Crowd-Evaluations as an Additional Objective to
Improve Natural Language Generation [0.0]
我々は6つの異なる言語生成モデルについて,群衆による対話コーパスを用いて微調整を行う。
これらのモデルのうち2つはマルチタスク学習を取り入れ、明確な学習目標の一部としてラインの主観評価を使用する。
生成した対話行の人間による評価では、マルチタスクモデルによって生成された発話が主観的に最も典型的であり、最も会話を前進させ、最も攻撃的であることを明らかにした。
論文 参考訳(メタデータ) (2021-04-12T06:33:16Z) - Pre-Training a Language Model Without Human Language [74.11825654535895]
先行学習データの本質的性質が下流性能の微調整にどのように寄与するかを検討する。
非構造化データで事前に訓練されたモデルは、下流のタスクでゼロから訓練されたモデルに勝った。
驚くべきことに、特定の非人間言語データの事前トレーニングがGLUEのパフォーマンスを他の非英語言語で事前トレーニングされたパフォーマンスに近づけることを明らかにしました。
論文 参考訳(メタデータ) (2020-12-22T13:38:06Z) - How Can We Accelerate Progress Towards Human-like Linguistic
Generalization? [22.810889064523167]
本論文は,PAID(Pretraining-Agnostic Identically Distributed)評価パラダイムについて記述し,批判する。
本パラダイムは,(1)任意の大きさのコーパス上の単語予測モデルの事前学習,(2)分類タスクを表すトレーニングセット上の微調整(トランスファーラーニング),(3)同トレーニングセットと同じ分布から抽出されたテストセットの評価の3段階からなる。
論文 参考訳(メタデータ) (2020-05-03T00:31:15Z) - Exploring Versatile Generative Language Model Via Parameter-Efficient
Transfer Learning [70.81910984985683]
本稿では,1つの大規模事前学習モデルを用いて,複数のダウンストリーム生成タスクを同時に微調整する効果的な方法を提案する。
5つの多様な言語生成タスクの実験は、各タスクに2-3%のパラメータを追加するだけで、モデル全体の微調整性能を維持または改善できることを示している。
論文 参考訳(メタデータ) (2020-04-08T06:18:44Z)
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。