Fugu-MT 論文翻訳(概要): "Define Your Terms" : Enhancing Efficient Offensive Speech Classification with Definition

論文の概要: "Define Your Terms" : Enhancing Efficient Offensive Speech Classification with Definition

arxiv url: http://arxiv.org/abs/2402.03221v1
Date: Mon, 5 Feb 2024 17:33:22 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 14:29:22.520572
Title: "Define Your Terms" : Enhancing Efficient Offensive Speech Classification with Definition
Title（参考訳）: "Define your terms" : 定義による効果的な攻撃的音声分類の実現
Authors: Huy Nghiem, Umang Gupta, Fred Morstatter
Abstract要約: 本稿では,入力のラベルと,プロトタイプネットワークによる分類のための定義を組み込んだ統合埋め込みアーキテクチャを提案する。我々のモデルは、4つのデータセットで利用可能なトレーニングデータの10%未満を使用しながら、最大F1スコアの少なくとも75%を達成する。
参考スコア（独自算出の注目度）: 12.641396816499162
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The propagation of offensive content through social media channels has garnered attention of the research community. Multiple works have proposed various semantically related yet subtle distinct categories of offensive speech. In this work, we explore meta-earning approaches to leverage the diversity of offensive speech corpora to enhance their reliable and efficient detection. We propose a joint embedding architecture that incorporates the input's label and definition for classification via Prototypical Network. Our model achieves at least 75% of the maximal F1-score while using less than 10% of the available training data across 4 datasets. Our experimental findings also provide a case study of training strategies valuable to combat resource scarcity.
Abstract（参考訳）: ソーシャルメディアチャンネルを通じた攻撃的コンテンツの伝播は、研究コミュニティの注目を集めている。複数の作品が様々な意味的に関連しているが、攻撃的言動の微妙なカテゴリーを提案している。本研究では,攻撃音声コーパスの多様性を活用し,その信頼性と効率性を高めるメタアーニング手法について検討する。本稿では,入力のラベルと定義を組み込んだ組込みアーキテクチャを提案する。このモデルは最大f1-scoreの75%以上を達成し、4つのデータセットで利用可能なトレーニングデータの10%未満を使用する。また,本研究は資源不足対策に有用な訓練戦略の事例スタディを提供する。

関連論文リスト

Contrastive Augmentation: An Unsupervised Learning Approach for Keyword Spotting in Speech Technology [4.080686348274667]
教師なしコントラスト学習と拡張一意的手法を組み合わせた新しい手法を提案する。我々の方法では、ニューラルネットワークがラベルのないデータセットでトレーニングすることができ、下流タスクのパフォーマンスが向上する可能性がある。本稿では,ボトルネック層の特徴と音声再構成情報との類似性を利用した音声強化に基づく教師なし学習手法を提案する。
論文参考訳（メタデータ） (2024-08-31T05:40:37Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Demonstrations Are All You Need: Advancing Offensive Content Paraphrasing using In-Context Learning [10.897468059705238]
監督されたパラフレーズは、意味と意図を維持するために大量のラベル付きデータに大きく依存している。本稿では,大規模言語モデル(LLM)を用いたICL(In-Context Learning)を探索し,実践者を支援することを目的とする。本研究は, 実演数と順序, 即時指導の排除, 測定毒性の低下など, 重要な要因に焦点を当てた。
論文参考訳（メタデータ） (2023-10-16T16:18:55Z)
Selective In-Context Data Augmentation for Intent Detection using Pointwise V-Information [100.03188187735624]
PLMとPVI(pointwise V-information)に基づく新しい手法を導入し,モデル学習におけるデータポイントの有用性を計測する。提案手法はまず,学習データの小さなシード上でPLMを微調整し,与えられた意図に対応する発話を新たに生成する。そこで本手法は,大規模言語モデルの表現力を活用し,多様な学習データを生成する。
論文参考訳（メタデータ） (2023-02-10T07:37:49Z)
Disentangling Learnable and Memorizable Data via Contrastive Learning for Semantic Communications [81.10703519117465]
セマンティック・レディにするために、ソースデータをアンタングルする新しい機械推論フレームワークが提案されている。特に、データ上でインスタンスとクラスタの識別を行う新しいコントラスト学習フレームワークが提案されている。信頼度の高い深いセマンティッククラスタは、学習可能でセマンティックリッチなデータだと考えられている。シミュレーションの結果は, セマンティック・インパクトとミニマリズムの観点から, コントラスト学習アプローチの優位性を示した。
論文参考訳（メタデータ） (2022-12-18T12:00:12Z)
DetCLIP: Dictionary-Enriched Visual-Concept Paralleled Pre-training for Open-world Detection [118.36746273425354]
本稿では,デザインされた概念辞書から知識の豊かさを生かして,オープンワールド検出のための並列視覚概念事前学習手法を提案する。概念をそれらの記述で豊かにすることにより、オープンドメイン学習を促進するために、さまざまな概念間の関係を明確に構築する。提案フレームワークは、例えばLVISデータセット上で、強力なゼロショット検出性能を示し、私たちのDetCLIP-TはGLIP-Tを9.9%向上させ、レアカテゴリで13.5%改善した。
論文参考訳（メタデータ） (2022-09-20T02:01:01Z)
Leveraging Dependency Grammar for Fine-Grained Offensive Language Detection using Graph Convolutional Networks [0.5457150493905063]
我々はTwitterにおける攻撃的言語検出の問題に対処する。文の係り受け解析木に構文的特徴を統合するSyLSTMという新しい手法を提案する。その結果,提案手法は,パラメータの桁数を桁違いに減らして,最先端のBERTモデルよりも大幅に優れていた。
論文参考訳（メタデータ） (2022-05-26T05:27:50Z)
On Guiding Visual Attention with Language Specification [76.08326100891571]
注意をそらすのではなく,タスク関連機能に分類証拠を限定するためのアドバイスとして,ハイレベルな言語仕様を用いる。この方法で空間的注意を監督することは、偏りのあるノイズのあるデータを用いた分類タスクの性能を向上させる。
論文参考訳（メタデータ） (2022-02-17T22:40:19Z)
Dominant Set-based Active Learning for Text Classification and its Application to Online Social Media [0.0]
本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
論文参考訳（メタデータ） (2022-01-28T19:19:03Z)
Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
利用可能な注釈付き発話が不足しているため、インテント検出は困難である。セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
論文参考訳（メタデータ） (2020-10-06T05:16:38Z)
Decoding Imagined Speech using Wavelet Features and Deep Neural Networks [2.4063592468412267]
本稿では, 深層ニューラルネットワークを用いた予測音声の分類手法を提案する。提案手法では、脳の特定の領域にのみEEGチャネルを用いて分類し、それぞれのチャネルから特徴ベクトルを導出する。提案したアーキテクチャとデータ処理のアプローチにより,57.15%の平均分類精度が向上し,最先端の結果よりも約35%向上した。
論文参考訳（メタデータ） (2020-03-19T00:36:19Z)

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。