論文の概要: Data Uncertainty-Aware Learning for Multimodal Aspect-based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2412.01249v1
• Date: Mon, 02 Dec 2024 08:13:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:47:00.830430
• Title: Data Uncertainty-Aware Learning for Multimodal Aspect-based Sentiment Analysis
• Title（参考訳）: マルチモーダルアスペクトに基づく知覚分析のためのデータ不確実性認識学習
• Authors: Hao Yang, Zhenyu Zhang, Yanyan Zhao, Bing Qin,
• Abstract要約: 本稿では,不確実性を考慮したマルチモーダル・アスペクトに基づく感情分析手法UA-MABSAを提案する。 UA-MABSAは、画像品質とアスペクトベースの相互関連性の両方を考慮した、新しい品質評価戦略を採用している。 提案手法はTwitter-2015データセット上でのSOTA(State-of-the-art)性能を実現する。
• 参考スコア（独自算出の注目度）: 31.84130191570486
• License:
• Abstract: As a fine-grained task, multimodal aspect-based sentiment analysis (MABSA) mainly focuses on identifying aspect-level sentiment information in the text-image pair. However, we observe that it is difficult to recognize the sentiment of aspects in low-quality samples, such as those with low-resolution images that tend to contain noise. And in the real world, the quality of data usually varies for different samples, such noise is called data uncertainty. But previous works for the MABSA task treat different quality samples with the same importance and ignored the influence of data uncertainty. In this paper, we propose a novel data uncertainty-aware multimodal aspect-based sentiment analysis approach, UA-MABSA, which weighted the loss of different samples by the data quality and difficulty. UA-MABSA adopts a novel quality assessment strategy that takes into account both the image quality and the aspect-based cross-modal relevance, thus enabling the model to pay more attention to high-quality and challenging samples. Extensive experiments show that our method achieves state-of-the-art (SOTA) performance on the Twitter-2015 dataset. Further analysis demonstrates the effectiveness of the quality assessment strategy.
• Abstract（参考訳）: 微粒なタスクとして、マルチモーダルなアスペクトベース感情分析(MABSA)は、主にテキストイメージペア内のアスペクトレベルの感情情報を特定することに焦点を当てている。 しかし,低分解能画像がノイズを含む傾向にあるような,低品質なサンプルの側面の感情を認識することは困難である。 そして現実の世界では、データの品質は通常異なるサンプルによって異なり、そのようなノイズはデータ不確実性と呼ばれる。 しかし、MABSAタスクの以前の研究は、異なる品質サンプルを同じ重要性で扱い、データの不確実性の影響を無視していた。 本稿では,データ品質と難易度によって異なるサンプルの損失を重み付けした,不確実性を考慮したマルチモーダルな感情分析手法UA-MABSAを提案する。 UA-MABSAは、画像品質とアスペクトベースの相互関連性の両方を考慮して、新しい品質評価戦略を採用し、高品質で挑戦的なサンプルにより多くの注意を払うことができる。 大規模な実験により,Twitter-2015データセット上でのSOTA(State-of-the-art)性能が得られた。 さらなる分析は品質評価戦略の有効性を示す。

関連論文リスト

• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Investigating the Quality of DermaMNIST and Fitzpatrick17k Dermatological Image Datasets [19.128392861461297]
  DermaMNIST と Fitzpatrick17k という2つの一般的な皮膚画像データセットの精査分析を行った。 データ品質の問題を明らかにし、これらの問題がベンチマーク結果に与える影響を測定し、データセットの修正を提案する。
  論文  参考訳（メタデータ） (2024-01-25T20:29:01Z)
• Quality Assurance of A GPT-based Sentiment Analysis System: Adversarial Review Data Generation and Detection [10.567108680774782]
  GPTに基づく感情分析モデルが最初に構築され、AI品質分析の基準として研究されている。 データ品質に関する品質分析は、コンテンツベースのアプローチを用いて、合理的な敵のレビューコメントを生成することを含む、実施される。 Amazon.comのレビューデータと微調整のGPTモデルに基づく実験が実施された。
  論文  参考訳（メタデータ） (2023-10-09T00:01:05Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Uncertainty-Aware Multi-View Representation Learning [53.06828186507994]
  動的不確実性認識ネットワーク(DUA-Nets)と呼ばれる新しい教師なし多視点学習手法を考案する。 生成視点から推定されるデータの不確実性により、複数の視点からの固有情報が統合され、ノイズのない表現が得られる。 本モデルでは, 広範囲な実験において優れた性能を示し, ノイズの多いデータに対するロバスト性を示す。
  論文  参考訳（メタデータ） (2022-01-15T07:16:20Z)
• A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation [4.104181348044472]
  タスクと異なるk空間アーティファクトに関連する不確実性のソースを分離する新しいCNNアーキテクチャを提案する。 課題の観点から,我々の不確実性予測はMRIの画質をよりよく推定できることを示す。
  論文  参考訳（メタデータ） (2021-09-06T12:54:44Z)
• A Heteroscedastic Uncertainty Model for Decoupling Sources of MRI Image Quality [3.5480752735999417]
  セグメンテーションなどの下流分析を成功させるためには、医用画像の品質管理(QC)が不可欠である。 本研究では,不確実性を推定する確率的ネットワークをヘテロセダスティックノイズモデルにより構築し,そのプロセスを自動化することを目的とする。 シミュレーションされた人工物を用いて訓練したモデルは、実世界の画像に不確実性を示す情報的尺度を提供するとともに、人間のレーダが特定した問題画像に対する不確実性予測を検証する。
  論文  参考訳（メタデータ） (2020-01-31T16:04:41Z)

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。