論文の概要: Causal Discovery Inspired Unsupervised Domain Adaptation for Emotion-Cause Pair Extraction
- arxiv url: http://arxiv.org/abs/2406.15490v2
- Date: Mon, 17 Feb 2025 08:36:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:07:36.532486
- Title: Causal Discovery Inspired Unsupervised Domain Adaptation for Emotion-Cause Pair Extraction
- Title（参考訳）: 心因性ペア抽出のための教師なしドメイン適応に基づく因果発見
- Authors: Yuncheng Hua, Yujin Huang, Shuo Huang, Tao Feng, Lizhen Qu, Chris Bain, Richard Bassed, Gholamreza Haffari,
- Abstract要約: 本稿では、教師なし領域適応設定における感情原因ペア抽出の課題に取り組む。
因果発見に触発されて、変分オートエンコーダフレームワークにおける新しい潜伏モデルを提案する。
我々のモデルは、中国のベンチマークで約11.05%、英語ベンチマークで2.45%、最強のベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 42.26135798049004
- License:
- Abstract: This paper tackles the task of emotion-cause pair extraction in the unsupervised domain adaptation setting. The problem is challenging as the distributions of the events causing emotions in target domains are dramatically different than those in source domains, despite the distributions of emotional expressions between domains are overlapped. Inspired by causal discovery, we propose a novel deep latent model in the variational autoencoder (VAE) framework, which not only captures the underlying latent structures of data but also utilizes the easily transferable knowledge of emotions as the bridge to link the distributions of events in different domains. To facilitate knowledge transfer across domains, we also propose a novel variational posterior regularization technique to disentangle the latent representations of emotions from those of events in order to mitigate the damage caused by the spurious correlations related to the events in source domains. Through extensive experiments, we demonstrate that our model outperforms the strongest baseline by approximately 11.05\% on a Chinese benchmark and 2.45\% on a English benchmark in terms of weighted-average F1 score. We have released our source code and the generated dataset publicly at: https://github.com/tk1363704/CAREL-VAE.
- Abstract（参考訳）: 本稿では、教師なし領域適応設定における感情原因ペア抽出の課題に取り組む。
ドメイン間の感情表現の分布が重複しているにもかかわらず、ターゲットドメイン内の感情を引き起こす事象の分布はソースドメインと劇的に異なるため、この問題は困難である。
因果発見にインスパイアされた、変動オートエンコーダ(VAE)フレームワークにおける新しい潜時モデルを提案する。これは、基礎となる潜時構造をキャプチャするだけでなく、異なる領域における事象の分布をリンクするブリッジとして、容易に伝達可能な感情の知識を利用する。
また、ドメイン間の知識伝達を容易にするため、ソースドメイン内の出来事に関連付けられた素早い相関によるダメージを軽減するために、イベントの出来事から感情の潜伏表現を解き放つような、新しい変分後正規化手法を提案する。
大規模な実験により、我々のモデルは、中国のベンチマークで約11.05\%、英語ベンチマークで約2.45\%、重み付き平均F1スコアで最強のベースラインを上回ります。
ソースコードと生成されたデータセットを、https://github.com/tk1363704/CAREL-VAEで公開しました。
関連論文リスト
- Unsupervised Structural-Counterfactual Generation under Domain Shift [0.0]
本稿では,ソース領域からの事実観測に基づいて,対象領域における対実サンプルの生成という,新たな生成モデル課題を提案する。
本フレームワークは, 対象領域からの影響-内在変数の後方分布と, 対象領域からの領域-内在変数の事前分布とを組み合わせて, 所望の反事実を合成する。
論文 参考訳（メタデータ） (2025-02-17T16:48:16Z) - Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-29T17:59:45Z) - Cross-Domain Policy Adaptation by Capturing Representation Mismatch [53.087413751430255]
強化学習(RL)において、動的に異なる領域に移行できる効果的な政策を学ぶことが不可欠である。
本稿では、ソースドメインとターゲットドメインとの間に動的ミスマッチが存在する場合の動的適応設定について考察する。
対象領域でのみ表現学習を行い、ソース領域からの遷移における表現偏差を測定する。
論文 参考訳（メタデータ） (2024-05-24T09:06:12Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Knowledge Distillation for BERT Unsupervised Domain Adaptation [2.969705152497174]
トレーニング済みの言語モデルであるBERTは、さまざまな自然言語処理タスクで大幅なパフォーマンス向上を実現している。
蒸留による逆順応法(AAD)を提案する。
ドメイン間感情分類におけるアプローチを30組のドメイン対で評価した。
論文 参考訳（メタデータ） (2020-10-22T06:51:24Z) - Sequential Domain Adaptation through Elastic Weight Consolidation for
Sentiment Analysis [3.1473798197405944]
我々はSDA(Sequential Domain Adaptation)というモデルに依存しないフレームワークを提案する。
提案手法は,CNNのようなシンプルなアーキテクチャが,感情分析(SA)の領域適応において,複雑な最先端モデルより優れていることを示す。
さらに、ソースドメインのより難しい第1次反計算機的順序付けの有効性が最大性能に繋がることを示した。
論文 参考訳（メタデータ） (2020-07-02T15:21:56Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-06-23T14:47:41Z)
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。