論文の概要: Addressing Data Imbalance in Transformer-Based Multi-Label Emotion Detection with Weighted Loss

• arxiv url: http://arxiv.org/abs/2507.11384v1
• Date: Tue, 15 Jul 2025 14:53:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.160994
• Title: Addressing Data Imbalance in Transformer-Based Multi-Label Emotion Detection with Weighted Loss
• Title（参考訳）: 重み付き損失を用いたトランスフォーマーを用いたマルチラベル感情検出におけるデータ不均衡への対処
• Authors: Xia Cui,
• Abstract要約: 本稿では,マルチラベル感情検出のためのトランスフォーマーモデルへの単純な重み付き損失関数の適用について検討する。 BRIGHTERデータセット上でBERT,RoBERTa,BARTを評価し,マイクロF1,マクロF1,ROC-AUC,精度,ジャカード類似度係数などの評価指標を用いて評価を行った。 その結果、重み付き損失関数は高頻度感情クラスの性能を向上させるが、マイノリティクラスに限られた影響を示すことが示された。
• 参考スコア（独自算出の注目度）: 0.7614628596146602
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper explores the application of a simple weighted loss function to Transformer-based models for multi-label emotion detection in SemEval-2025 Shared Task 11. Our approach addresses data imbalance by dynamically adjusting class weights, thereby enhancing performance on minority emotion classes without the computational burden of traditional resampling methods. We evaluate BERT, RoBERTa, and BART on the BRIGHTER dataset, using evaluation metrics such as Micro F1, Macro F1, ROC-AUC, Accuracy, and Jaccard similarity coefficients. The results demonstrate that the weighted loss function improves performance on high-frequency emotion classes but shows limited impact on minority classes. These findings underscore both the effectiveness and the challenges of applying this approach to imbalanced multi-label emotion detection.
• Abstract（参考訳）: 本稿では,SemEval-2025共有タスク11におけるマルチラベル感情検出のためのトランスフォーマーモデルへの単純な重み付き損失関数の適用について検討する。 本手法は,クラス重み付けを動的に調整することでデータ不均衡に対処し,従来の再サンプリング手法の計算負担を伴わずにマイノリティ感情クラスの性能を向上させる。 BRIGHTERデータセット上でBERT,RoBERTa,BARTを評価し,マイクロF1,マクロF1,ROC-AUC,精度,ジャカード類似度係数などの評価指標を用いて評価を行った。 その結果、重み付き損失関数は高頻度感情クラスの性能を向上させるが、マイノリティクラスに限られた影響を示すことが示された。 これらの知見は、この手法を不均衡なマルチラベル感情検出に適用する効果と課題の両方を裏付けるものである。

関連論文リスト

• WSS-CL: Weight Saliency Soft-Guided Contrastive Learning for Efficient Machine Unlearning Image Classification [0.0]
  本稿では,画像分類のための2相効率的な機械学習手法を提案する。 我々の手法は、効率的な機械学習画像分類(WSS-CL)のためのウェイトサリエンシソフトガイド型コントラスト学習と呼ばれる。 提案手法は, 最先端手法と比較して, 性能損失を無視できるほど改善されていない未学習の有効性を示す。
  論文  参考訳（メタデータ） (2025-08-06T10:47:36Z)
• EAP-GP: Mitigating Saturation Effect in Gradient-based Automated Circuit Identification [62.611812892924156]
  飽和効果に対応するために,GradPath (EAP-GP) を用いたエッジパッチを提案する。 EAP-GPは、入力から始まり、飽和領域を避けるために、破損した入力とクリーン入力の勾配の違いの方向を適応的に追従する積分経路を導入する。 GPT-2 Small, GPT-2 Medium, GPT-2 XL を用いた6つのデータセットの EAP-GP の評価を行った。
  論文  参考訳（メタデータ） (2025-02-07T16:04:57Z)
• Energy Score-based Pseudo-Label Filtering and Adaptive Loss for Imbalanced Semi-supervised SAR target recognition [1.2035771704626825]
  既存の半教師付きSAR ATRアルゴリズムは、クラス不均衡の場合、認識精度が低い。 この研究は、動的エネルギースコアと適応損失を用いた非平衡半教師付きSAR目標認識手法を提供する。
  論文  参考訳（メタデータ） (2024-11-06T14:45:16Z)
• Improving Arabic Multi-Label Emotion Classification using Stacked Embeddings and Hybrid Loss Function [4.149971421068989]
  本研究は、アラビア語における多言語感情分類を強化するために、積層埋め込み、メタラーニング、ハイブリッド損失関数を用いている。 さらに性能向上のために,クラス重み付け,ラベル相関,コントラスト学習を取り入れたハイブリッド損失関数を導入した。 実験では、Precision、Recall、F1-Score、Jaccard Accuracy、Hamming Lossといった主要なメトリクスで提案されたモデルのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2024-10-04T23:37:21Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Fraud Detection Using Optimized Machine Learning Tools Under Imbalance Classes [0.304585143845864]
  機械学習(ML)ツールのスマートバージョンによる不正検出は、安全性を保証するために不可欠である。 本稿では,4つの最先端ML手法,すなわちロジスティック回帰,決定木,ランダム森林,極端な勾配上昇について検討する。 フィッシングサイトURLとクレジットカード不正取引データセットは、元のデータに基づいてトレーニングされた極端な勾配が、信頼できるパフォーマンスを示していることを示している。
  論文  参考訳（メタデータ） (2022-09-04T15:30:23Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• FairIF: Boosting Fairness in Deep Learning via Influence Functions with Validation Set Sensitive Attributes [51.02407217197623]
  本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。 サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。 FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-01-15T05:14:48Z)
• Alleviating Noisy-label Effects in Image Classification via Probability Transition Matrix [30.532481130511137]
  ディープラーニングに基づく画像分類フレームワークは、しばしば、サーバ間変動に起因するノイズの多いラベル問題に悩まされる。 本稿では,ノイズ無視ブロック (NIB) と呼ばれるプラグインモジュールを提案する。 我々のNIBモジュールは、最先端の堅牢なトレーニング手法の性能を一貫して改善します。
  論文  参考訳（メタデータ） (2021-10-17T17:01:57Z)
• Noise-resistant Deep Metric Learning with Ranking-based Instance Selection [59.286567680389766]
  PRISM(Probabilistic Ranking-based Instance Selection with Memory)と呼ばれるDMLの耐騒音トレーニング技術を提案する。 PRISMは、ニューラルネットワークの以前のバージョンから抽出された画像特徴との平均的類似性を用いて、ミニバッチ内のノイズデータを識別する。 メモリバンクが生み出す高い計算コストを緩和するために,個々のデータポイントをクラスセンタに置き換える高速化手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T03:22:17Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)

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。