論文の概要: Learning Intrinsic Dimension via Information Bottleneck for Explainable Aspect-based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2402.18145v1
• Date: Wed, 28 Feb 2024 08:11:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 15:59:10.379524
• Title: Learning Intrinsic Dimension via Information Bottleneck for Explainable Aspect-based Sentiment Analysis
• Title（参考訳）: 説明可能なアスペクトベース感情分析のための情報ボトルネックによる内在次元学習
• Authors: Zhenxiao Cheng, Jie Zhou, Wen Wu, Qin Chen, Liang He
• Abstract要約: Aspect-based Sentiment Analysis (ABSA) のためのInformation Bottleneck-based Gradient (texttIBG) の説明フレームワークを提案する。 我々のフレームワークは,単語の埋め込みを簡潔な内在次元に洗練し,本質的な特徴を維持し,無関係な情報を省略する。 感傷的特徴を識別することで、モデルの性能と解釈可能性の両方を大幅に改善する。
• 参考スコア（独自算出の注目度）: 30.16902652669842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradient-based explanation methods are increasingly used to interpret neural models in natural language processing (NLP) due to their high fidelity. Such methods determine word-level importance using dimension-level gradient values through a norm function, often presuming equal significance for all gradient dimensions. However, in the context of Aspect-based Sentiment Analysis (ABSA), our preliminary research suggests that only specific dimensions are pertinent. To address this, we propose the Information Bottleneck-based Gradient (\texttt{IBG}) explanation framework for ABSA. This framework leverages an information bottleneck to refine word embeddings into a concise intrinsic dimension, maintaining essential features and omitting unrelated information. Comprehensive tests show that our \texttt{IBG} approach considerably improves both the models' performance and interpretability by identifying sentiment-aware features.
• Abstract（参考訳）: 勾配に基づく説明法は、高忠実性のため、自然言語処理(NLP)におけるニューラルネットワークの解釈にますます用いられる。 このような手法は、標準関数を通して次元レベルの勾配値を用いて単語レベルの重要度を決定する。 しかしながら、Aspect-based Sentiment Analysis (ABSA) の文脈では、予備的な研究は特定の次元のみが関連することを示唆している。 そこで本稿では,ABSA のためのインフォメーション・ボトルネックに基づく Gradient (\texttt{IBG}) の説明フレームワークを提案する。 このフレームワークは、情報ボトルネックを利用して、単語埋め込みを簡潔な本質的な次元に洗練し、本質的な特徴を維持し、無関係な情報を省略する。 包括的テストでは,感情認識機能を特定することにより,モデルの性能と解釈性の両方が大幅に向上することが示された。

関連論文リスト

• Knowledge Graph Enhanced Aspect-Level Sentiment Analysis [1.342834401139078]
  本稿では,文脈固有の単語の意味の課題に対処し,感情分析を強化する手法を提案する。 BERTモデルの利点と知識グラフに基づく同義データを組み合わせる。 特定の側面に関連付けられた感情を分類するために、この手法は位置データを統合するメモリバンクを構築する。 データはDCGRUを用いて分析され、特定のアスペクト項に関連する感情特性をピンポイントする。
  論文  参考訳（メタデータ） (2023-12-02T04:45:17Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Tell Model Where to Attend: Improving Interpretability of Aspect-Based Sentiment Classification via Small Explanation Annotations [23.05672636220897]
  我々はtextbfInterpretation-textbfEnhanced textbfGradient-based framework for textbfABSC を提案する。 我々のモデルは、既存のABSCメソッドや他のタスクに統合できるように、モデル非依存およびタスク非依存である。
  論文  参考訳（メタデータ） (2023-02-21T06:55:08Z)
• A Unified Understanding of Deep NLP Models for Text Classification [88.35418976241057]
  我々は、テキスト分類のためのNLPモデルの統一的な理解を可能にする視覚解析ツールDeepNLPVisを開発した。 主要なアイデアは相互情報に基づく尺度であり、モデルの各レイヤがサンプル内の入力語の情報をどのように保持するかを定量的に説明する。 コーパスレベル、サンプルレベル、単語レベルビジュアライゼーションで構成されるマルチレベルビジュアライゼーションは、全体トレーニングセットから個々のサンプルまでの分析をサポートする。
  論文  参考訳（メタデータ） (2022-06-19T08:55:07Z)
• Locally Aggregated Feature Attribution on Natural Language Model Understanding [12.233103741197334]
  Locally Aggregated Feature Attribution (LAFA) は、NLPモデルのための新しい勾配に基づく特徴属性法である。 あいまいな参照トークンに頼る代わりに、言語モデル埋め込みから派生した類似参照テキストを集約することで勾配を円滑にする。 評価のために、公開データセット上でのエンティティ認識やセンチメント分析を含む異なるNLPタスクの実験も設計する。
  論文  参考訳（メタデータ） (2022-04-22T18:59:27Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional Networks and Syntax-based Regulation [89.38054401427173]
  Aspect-based Sentiment Analysis (ABSA) は、特定の側面に向けて文の感情極性を予測する。 依存関係ツリーは、ABSAの最先端のパフォーマンスを生成するために、ディープラーニングモデルに統合することができる。 本稿では,この2つの課題を克服するために,グラフに基づく新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-26T07:36:24Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)

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。