論文の概要: FCKT: Fine-Grained Cross-Task Knowledge Transfer with Semantic Contrastive Learning for Targeted Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2505.21040v2
• Date: Wed, 28 May 2025 07:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 12:33:41.783159
• Title: FCKT: Fine-Grained Cross-Task Knowledge Transfer with Semantic Contrastive Learning for Targeted Sentiment Analysis
• Title（参考訳）: FCKT:目標知覚分析のための意味的コントラスト学習を用いた微粒なクロスタスク知識伝達
• Authors: Wei Chen, Zhao Zhang, Meng Yuan, Kepeng Xu, Fuzhen Zhuang,
• Abstract要約: 本稿では,ターゲット感情分析(TSA)の課題に対処する。 TSAには2つのサブタスクがあり、レビューから特定の側面を特定し、対応する感情を決定する。 TSAに適した微粒なクロスタスク知識伝達フレームワークであるFCKTを提案する。
• 参考スコア（独自算出の注目度）: 30.89141077344682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the task of targeted sentiment analysis (TSA), which involves two sub-tasks, i.e., identifying specific aspects from reviews and determining their corresponding sentiments. Aspect extraction forms the foundation for sentiment prediction, highlighting the critical dependency between these two tasks for effective cross-task knowledge transfer. While most existing studies adopt a multi-task learning paradigm to align task-specific features in the latent space, they predominantly rely on coarse-grained knowledge transfer. Such approaches lack fine-grained control over aspect-sentiment relationships, often assuming uniform sentiment polarity within related aspects. This oversimplification neglects contextual cues that differentiate sentiments, leading to negative transfer. To overcome these limitations, we propose FCKT, a fine-grained cross-task knowledge transfer framework tailored for TSA. By explicitly incorporating aspect-level information into sentiment prediction, FCKT achieves fine-grained knowledge transfer, effectively mitigating negative transfer and enhancing task performance. Experiments on three datasets, including comparisons with various baselines and large language models (LLMs), demonstrate the effectiveness of FCKT. The source code is available on https://github.com/cwei01/FCKT.
• Abstract（参考訳）: 本稿では,2つのサブタスク,すなわちレビューから特定の側面を特定し,それに対応する感情を決定することを含む,ターゲット感情分析(TSA)の課題に対処する。 アスペクト抽出は感情予測の基礎を形成し、これらの2つのタスク間の重要な依存関係を効果的にタスク間の知識伝達のために強調する。 既存のほとんどの研究は、潜在空間におけるタスク固有の特徴を調整するためにマルチタスク学習パラダイムを採用しているが、それらは主に粗い粒度の知識伝達に依存している。 このようなアプローチはアスペクト・センチメント関係のきめ細かい制御を欠き、しばしば関連する側面の均一な感情の極性を仮定する。 この過度な単純化は、感情を区別する文脈的手がかりを無視し、負の移動をもたらす。 これらの制限を克服するために,TSAに適した微粒なクロスタスク知識伝達フレームワークであるFCKTを提案する。 アスペクトレベルの情報を感情予測に明示的に組み込むことで、FCKTは微粒な知識伝達を実現し、負の伝達を効果的に軽減し、タスク性能を向上させる。 様々なベースラインと大規模言語モデル(LLM)との比較を含む3つのデータセットの実験は、FCKTの有効性を実証している。 ソースコードはhttps://github.com/cwei01/FCKTで入手できる。

関連論文リスト

• Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
  単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。 広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-04-26T07:30:32Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
  ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。 大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。 我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
  論文  参考訳（メタデータ） (2022-04-08T03:37:56Z)
• Practical Transferability Estimation for Image Classification Tasks [20.07223947190349]
  大きな課題は、クロスドメインのクロスタスク設定で転送可能性の推定を堅牢にする方法だ。 最近提案されたOTCEスコアは、ドメイン差とタスク差を考慮してこの問題を解決する。 本稿では,タスク差分推定のロバスト性を大幅に向上させる,JC-NCEスコアと呼ばれる実用的な転送可能性指標を提案する。
  論文  参考訳（メタデータ） (2021-06-19T11:59:11Z)
• Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
  教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。 本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。 さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
  論文  参考訳（メタデータ） (2021-05-17T13:42:09Z)
• Phase Transitions in Transfer Learning for High-Dimensional Perceptrons [12.614901374282868]
  伝達学習は、関連するソースタスクから学んだ知識を活用することにより、対象タスクの一般化性能の向上を目指す。 後者の質問は、転送元情報が実際にターゲットタスクの一般化性能を減少させるいわゆる負の転送現象に関連しています。 本稿では,関連する1対のパーセプトロン学習タスクを解析し,転送学習の理論解析を行う。
  論文  参考訳（メタデータ） (2021-01-06T08:29:22Z)
• Attention Transfer Network for Aspect-level Sentiment Classification [30.704053194980528]
  アスペクトレベルの感情分類(ASC)は、文中の特定の意見対象の感情極性を検出することを目的としている。 データ不足は、しばしば注意機構が、ターゲットの対応する感情語に焦点を合わせるのに失敗する。 本稿では、文書レベルの感情分類データセットから注意知識をうまく活用できる新しい注意伝達ネットワーク(ATN)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T04:26:33Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)
• An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment Analysis [73.7488524683061]
  本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。 我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。 3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2020-04-04T13:49:54Z)

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。