論文の概要: PREMISE: Matching-based Prediction for Accurate Review Recommendation
- arxiv url: http://arxiv.org/abs/2505.01255v1
- Date: Fri, 02 May 2025 13:23:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-05 17:21:20.033542
- Title: PREMISE: Matching-based Prediction for Accurate Review Recommendation
- Title（参考訳）: PreMISE: 正確なレビューレコメンデーションのためのマッチングに基づく予測
- Authors: Wei Han, Hui Chen, Soujanya Poria,
- Abstract要約: PreMISEは、マルチモーダルレビュー支援タスクのためのマルチモーダルフィールドにおけるマッチングベースの学習のための新しいアーキテクチャである。
マルチスケールおよびマルチフィールド表現を計算し、重複セマンティクスをフィルタし、下流レコメンデーションタスクのための特徴ベクトルとして一致するスコアのセットを得る。
2つの公開データセットの実験結果から、PreMISEは計算コストを抑えて有望な性能を達成することが示された。
- 参考スコア（独自算出の注目度）: 25.506776502317436
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present PREMISE (PREdict with Matching ScorEs), a new architecture for the matching-based learning in the multimodal fields for the multimodal review helpfulness (MRHP) task. Distinct to previous fusion-based methods which obtains multimodal representations via cross-modal attention for downstream tasks, PREMISE computes the multi-scale and multi-field representations, filters duplicated semantics, and then obtained a set of matching scores as feature vectors for the downstream recommendation task. This new architecture significantly boosts the performance for such multimodal tasks whose context matching content are highly correlated to the targets of that task, compared to the state-of-the-art fusion-based methods. Experimental results on two publicly available datasets show that PREMISE achieves promising performance with less computational cost.
- Abstract（参考訳）: 提案するPreMISE(PREdict with Matching ScorEs)は,Multimodal Review Helpness(MRHP)タスクのためのマルチモーダルフィールドにおけるマッチング学習のための新しいアーキテクチャである。
下流タスクのマルチモーダルアテンションを通じてマルチモーダル表現を得る従来のフュージョンベース手法とは異なり、PreMISEはマルチスケールおよびマルチフィールド表現を計算し、重複セマンティクスをフィルタし、下流レコメンデーションタスクの特徴ベクトルとして一致するスコアのセットを得る。
このアーキテクチャにより、現状の融合方式と比較して、コンテキストマッチング内容がタスクのターゲットと高い相関性を持つマルチモーダルタスクの性能が大幅に向上する。
2つの公開データセットの実験結果から、PreMISEは計算コストを抑えて有望な性能を達成することが示された。
関連論文リスト
- Multi2: Multi-Agent Test-Time Scalable Framework for Multi-Document Processing [35.686125031177234]
MDS(Multi-Document Summarization)は,複数の文書から有用な情報を抽出・合成することに焦点を当てた課題である。
本稿では,このタスクに推論時間スケーリングを利用する新しいフレームワークを提案する。
また,新しい評価指標として Consistency-Aware Preference (CAP) スコアと LLM Atom-Content-Unit (ACU) スコアがある。
論文 参考訳（メタデータ） (2025-02-27T23:34:47Z) - RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳（メタデータ） (2023-10-18T07:30:08Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳（メタデータ） (2023-09-22T06:55:41Z) - A Multi-Task Semantic Decomposition Framework with Task-specific
Pre-training for Few-Shot NER [26.008350261239617]
マルチタスク・セマンティック・デコンストラクション・フレームワークを提案する。
本稿では,MLM(Demonstration-based Masked Language Modeling)とクラスコントラスト識別(Class Contrastive Discrimination)の2つの新しい事前学習タスクを紹介する。
下流のメインタスクでは,エンティティ分類のための2つの異なるセマンティック情報の統合を容易にするセマンティックデコンポーザリング手法を用いたマルチタスク共同最適化フレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-28T12:46:21Z) - Multi-Content Interaction Network for Few-Shot Segmentation [37.80624074068096]
Few-Shot COCOは、サポート画像の制限とクラス内における大きな相違に挑戦している。
この問題を解決するために,MCINet(Multi-Content Interaction Network)を提案する。
MCINetは、他のクエリブランチから低レベルの構造情報を高レベルのセマンティック機能に組み込むことで、FSSを改善している。
論文 参考訳（メタデータ） (2023-03-11T04:21:59Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳（メタデータ） (2022-11-26T21:02:09Z) - Improving Multimodal Fusion with Hierarchical Mutual Information
Maximization for Multimodal Sentiment Analysis [16.32509144501822]
本稿では,MultiModal InfoMax (MMIM) というフレームワークを提案する。
このフレームワークは、下流のMSAタスクのパフォーマンスを改善するために、メインタスク(MSA)と共同で訓練されている。
論文 参考訳（メタデータ） (2021-09-01T14:45:16Z) - Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。
我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文 参考訳（メタデータ） (2020-04-28T09:15:50Z)
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。