論文の概要: Stance Reasoner: Zero-Shot Stance Detection on Social Media with Explicit Reasoning

• arxiv url: http://arxiv.org/abs/2403.14895v1
• Date: Fri, 22 Mar 2024 00:58:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 18:57:02.143441
• Title: Stance Reasoner: Zero-Shot Stance Detection on Social Media with Explicit Reasoning
• Title（参考訳）: Stance Reasoner: 明示的推論によるソーシャルメディア上のゼロショットスタンス検出
• Authors: Maksym Taranukhin, Vered Shwartz, Evangelos Milios,
• Abstract要約: ソーシャルメディアにおけるゼロショットスタンス検出のアプローチであるスタンス・レーソナーを提示する。 我々は、事前学習された言語モデルを世界知識の源泉として、中間推論ステップを生成するために、チェーン・オブ・コンテクスト・ラーニング・アプローチを用いています。 Stance Reasonerは、現在の最先端モデルを3つのTwitterデータセットで上回っている。
• 参考スコア（独自算出の注目度）: 10.822701164802307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media platforms are rich sources of opinionated content. Stance detection allows the automatic extraction of users' opinions on various topics from such content. We focus on zero-shot stance detection, where the model's success relies on (a) having knowledge about the target topic; and (b) learning general reasoning strategies that can be employed for new topics. We present Stance Reasoner, an approach to zero-shot stance detection on social media that leverages explicit reasoning over background knowledge to guide the model's inference about the document's stance on a target. Specifically, our method uses a pre-trained language model as a source of world knowledge, with the chain-of-thought in-context learning approach to generate intermediate reasoning steps. Stance Reasoner outperforms the current state-of-the-art models on 3 Twitter datasets, including fully supervised models. It can better generalize across targets, while at the same time providing explicit and interpretable explanations for its predictions.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、意見のあるコンテンツの豊富なソースです。 スタンス検出は、そうしたコンテンツから様々なトピックに関するユーザの意見を自動的に抽出することを可能にする。 モデルの成功が依存するゼロショットスタンス検出に焦点を当てる。 (a)対象トピックに関する知識,及び (b)新しいトピックに使える一般的な推論戦略を学ぶこと。 本稿では,ソーシャルメディア上でのゼロショットスタンス検出手法であるStance Reasonerを提案する。 具体的には、事前学習された言語モデルを世界知識の源として使用し、中間的推論ステップを生成するために、チェーン・オブ・コンテクスト・ラーニング・アプローチを用いる。 Stance Reasonerは、完全な教師付きモデルを含む、現在の最先端モデルを3つのTwitterデータセットでパフォーマンスします。 ターゲットをまたいでより一般化できると同時に、その予測に対して明示的で解釈可能な説明を提供する。

関連論文リスト

• Generating Zero-shot Abstractive Explanations for Rumour Verification [46.897767694062004]
  我々は,そのタスクを再構成して,噂の正確性に関するモデル中心のフリーテキストの説明を生成する。 大規模言語モデル(LLM)の少数ショット学習機能を利用する。 実験の結果,LLMは要約評価において人間と類似の一致を示すことができた。
  論文  参考訳（メタデータ） (2024-01-23T12:29:37Z)
• Revisiting Self-supervised Learning of Speech Representation from a Mutual Information Perspective [68.20531518525273]
  我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。 我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。 我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
  論文  参考訳（メタデータ） (2024-01-16T21:13:22Z)
• Explaining Explainability: Towards Deeper Actionable Insights into Deep Learning through Second-order Explainability [70.60433013657693]
  2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。 そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T23:24:01Z)
• 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)
• Improved Target-specific Stance Detection on Social Media Platforms by Delving into Conversation Threads [12.007570049217398]
  本稿では,会話姿勢検出という新しい課題を提案する。 データインスタンスとその対応する会話スレッドが与えられた場合、所定のターゲット(例えば、COVID-19ワクチン接種)に対するスタンスを推論する。 データインスタンスと会話スレッドの両方から所望のスタンスを推測するため,会話スレッドにコンテキスト情報を組み込んだBranch-BERTモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-06T08:40:48Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• Adversarial Learning for Zero-Shot Stance Detection on Social Media [1.7702142798241087]
  本稿では,Twitter上でのゼロショット姿勢検出のための新しいモデルを提案する。 本モデルは, 計算コストを最小に抑えながら, 多数の未確認テストトピックにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T01:08:48Z)
• Generalized Zero-shot Intent Detection via Commonsense Knowledge [5.398580049917152]
  学習データ不足の問題を克服するために,教師なしの方法でコモンセンス知識を活用する意図検出モデル RIDE を提案する。 RIDEは、発話と意図ラベルの間の深い意味的関係をキャプチャする、堅牢で一般化可能な関係メタ機能を計算する。 広範に使用されている3つのインテント検出ベンチマークに関する広範囲な実験的分析により、関係メタ機能により、目に見えないインテントと見えないインテントの両方を検出する精度が著しく向上することが示された。
  論文  参考訳（メタデータ） (2021-02-04T23:36:41Z)
• Knowledge-driven Data Construction for Zero-shot Evaluation in Commonsense Question Answering [80.60605604261416]
  本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。 言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。 個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
  論文  参考訳（メタデータ） (2020-11-07T22:52:21Z)

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。