論文の概要: Is Sentiment Banana-Shaped? Exploring the Geometry and Portability of Sentiment Concept Vectors

• arxiv url: http://arxiv.org/abs/2601.07995v1
• Date: Mon, 12 Jan 2026 20:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.94552
• Title: Is Sentiment Banana-Shaped? Exploring the Geometry and Portability of Sentiment Concept Vectors
• Title（参考訳）: 感性バナは形づくられるか? : 感性概念ベクトルの幾何学と可搬性を探る
• Authors: Laurits Lyngbaek, Pascale Feldkamp, Yuri Bizzoni, Kristoffer L. Nielbo, Kenneth Enevoldsen,
• Abstract要約: 概念ベクトル射影 (Concept Vector Projections, CVP) は、人間の判断と密接に一致した連続した多言語スコアを生成する。 CVPはジャンル,歴史,言語,情緒的次元にまたがって評価される。 以上の結果から, CVP は一般化可能なパターンを効果的にキャプチャする携帯型アプローチであるが, 線形性仮定は近似的であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.665869541468341
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Use cases of sentiment analysis in the humanities often require contextualized, continuous scores. Concept Vector Projections (CVP) offer a recent solution: by modeling sentiment as a direction in embedding space, they produce continuous, multilingual scores that align closely with human judgments. Yet the method's portability across domains and underlying assumptions remain underexplored. We evaluate CVP across genres, historical periods, languages, and affective dimensions, finding that concept vectors trained on one corpus transfer well to others with minimal performance loss. To understand the patterns of generalization, we further examine the linearity assumption underlying CVP. Our findings suggest that while CVP is a portable approach that effectively captures generalizable patterns, its linearity assumption is approximate, pointing to potential for further development.
• Abstract（参考訳）: 人文科学における感情分析のユースケースは、文脈化された連続的なスコアを必要とすることが多い。 概念ベクトル投影(CVP)は、最近の解決策を提供する: 感情を埋め込み空間の方向としてモデル化することにより、人間の判断と密接に一致した連続した多言語スコアを生成する。 しかし、このメソッドのドメイン間のポータビリティと基礎となる仮定はいまだに未解明のままである。 CVPはジャンル,歴史,言語,情緒的次元にまたがって評価され,あるコーパスで訓練された概念ベクトルが性能損失を最小限に抑えられることが判明した。 一般化のパターンを理解するために, CVP の根底にある線形性仮定をさらに検討する。 以上の結果から,CVPは一般化可能なパターンを効果的に捉えるポータブルな手法であるが,線形性の仮定は近似的であり,さらなる発展の可能性を示していることが示唆された。

関連論文リスト

• A Survey on Latent Reasoning [100.54120559169735]
  大きな言語モデル(LLM)は印象的な推論機能を示している。 中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。 潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
  論文  参考訳（メタデータ） (2025-07-08T17:29:07Z)
• I Predict Therefore I Am: Is Next Token Prediction Enough to Learn Human-Interpretable Concepts from Data? [76.15163242945813]
  大規模言語モデル (LLM) は、多くの人が知能の形式を示すと結論づけている。 本稿では,潜在離散変数として表現される人間解釈可能な概念に基づいてトークンを生成する新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-12T01:21:17Z)
• Local Concept Embeddings for Analysis of Concept Distributions in Vision DNN Feature Spaces [1.0923877073891446]
  学習した潜伏表現に対する洞察は、コンピュータビジョンタスクのディープニューラルネットワーク(DNN)を検証する上で不可欠である。 本稿では,学習した概念分布の探索を可能にする新しいローカル概念分析フレームワークを提案する。 文脈感度にもかかわらず,提案手法のセグメンテーション性能はグローバルベースラインと競合する。
  論文  参考訳（メタデータ） (2023-11-24T12:22:00Z)
• A Geometric Notion of Causal Probing [85.49839090913515]
  線形部分空間仮説は、言語モデルの表現空間において、動詞数のような概念に関するすべての情報が線形部分空間に符号化されていることを述べる。 理想線型概念部分空間を特徴づける内在的基準のセットを与える。 2つの言語モデルにまたがる少なくとも1つの概念に対して、この概念のサブスペースは、生成された単語の概念値を精度良く操作することができる。
  論文  参考訳（メタデータ） (2023-07-27T17:57:57Z)
• Uncovering Unique Concept Vectors through Latent Space Decomposition [0.0]
  概念に基づく説明は、特徴帰属推定よりも解釈可能な優れたアプローチとして現れてきた。 本稿では,訓練中に深層モデルから学んだ概念を自動的に発見するポストホックな教師なし手法を提案する。 実験の結果、我々の概念の大部分は、人間にとって容易に理解でき、一貫性を示し、目の前の課題に関連があることが判明した。
  論文  参考訳（メタデータ） (2023-07-13T17:21:54Z)
• On convex decision regions in deep network representations [1.06378109904813]
  機械学習型潜在空間における概念領域の凸性の概念について検討する。 凸性は基本的な再パラメータ化に対して堅牢であることを示す。 近似凸性は、複数のアプリケーション領域における神経表現において広く見られる。
  論文  参考訳（メタデータ） (2023-05-26T10:33:03Z)
• Towards a Deeper Understanding of Concept Bottleneck Models Through End-to-End Explanation [2.9740255333669454]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) はまず、このベクトルを用いて最終分類を予測する前に、人間の定義した概念のベクトルに生の入力(s)をマッピングする。 そうすることで、モデルの出力の説明を生成し、概念に対応する入力特徴を可視化するときに、人間の解釈をサポートする。
  論文  参考訳（メタデータ） (2023-02-07T16:43:43Z)
• Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
  概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。 我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。 我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
  論文  参考訳（メタデータ） (2022-08-31T17:06:46Z)

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。