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

• DevBench: A multimodal developmental benchmark for language learning [0.34129029452670606]
  タスクと行動データに基づいて視覚言語モデルを評価するベンチマークであるDevBenchを紹介する。 DevBenchは、モデルを人間の言語開発と比較するためのベンチマークを提供する。 これらの比較は、モデルと人間の言語学習プロセスの分岐方法を強調する。
  論文  参考訳（メタデータ） (2024-06-14T17:49:41Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• 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)
• Can language models handle recursively nested grammatical structures? A case study on comparing models and humans [0.0]
  言語モデルと人間の能力を比較するには? 私は、ネストした文法構造の処理というケーススタディを考えます。 特定の現象の認知モデルを評価することと、広範囲に訓練されたモデルを評価することには、重要な違いがあることを示唆する。
  論文  参考訳（メタデータ） (2022-10-27T10:25:12Z)
• Human Language Modeling [20.66485974271458]
  本稿では,文書のシーケンスを接続する人間レベルが存在する言語モデリング問題に対する階層的拡張を提案する。 本稿では,約10万人のソーシャルメディアユーザを対象に,Humleタスクのための大規模トランスフォーマーモデルHaRTを紹介する。 すべてのタスクの結果が、現在の最先端の状況を満たしたり、超えたりします。
  論文  参考訳（メタデータ） (2022-05-10T19:11:12Z)
• 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)
• 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)
• Grounded Compositional Outputs for Adaptive Language Modeling [59.02706635250856]
  言語モデルの語彙$-$典型的にはトレーニング前に選択され、後で永久に固定される$-$は、そのサイズに影響します。 言語モデルのための完全合成出力埋め込み層を提案する。 我々の知る限り、この結果はトレーニング語彙に依存しないサイズを持つ最初の単語レベル言語モデルである。
  論文  参考訳（メタデータ） (2020-09-24T07:21:14Z)
• XPersona: Evaluating Multilingual Personalized Chatbot [76.00426517401894]
  我々はペルソナ・チャットの多言語拡張(XPersona)を提案する。 我々のデータセットには、多言語パーソナライズされたエージェントの構築と評価のための英語以外の6言語でのペルソナ会話が含まれています。
  論文  参考訳（メタデータ） (2020-03-17T07:52:08Z)

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。