論文の概要: SentiFuse: Deep Multi-model Fusion Framework for Robust Sentiment Extraction

• arxiv url: http://arxiv.org/abs/2602.01447v1
• Date: Sun, 01 Feb 2026 21:29:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.789537
• Title: SentiFuse: Deep Multi-model Fusion Framework for Robust Sentiment Extraction
• Title（参考訳）: SentiFuse:ロバスト感性抽出のための深層多モデル融合フレームワーク
• Authors: Hieu Minh Duong, Rupa Ghosh, Cong Hoan Nguyen, Eugene Levin, Todd Gary, Long Nguyen,
• Abstract要約: SentiFuseは、異種感情モデルを統合するフレキシブルでモデルに依存しないフレームワークである。 我々は3つの大規模ソーシャルメディアデータセット(Crowdflower、GoEmotions、Sentiment140)で実験を行った。
• 参考スコア（独自算出の注目度）: 1.3084438493642654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sentiment analysis models exhibit complementary strengths, yet existing approaches lack a unified framework for effective integration. We present SentiFuse, a flexible and model-agnostic framework that integrates heterogeneous sentiment models through a standardization layer and multiple fusion strategies. Our approach supports decision-level fusion, feature-level fusion, and adaptive fusion, enabling systematic combination of diverse models. We conduct experiments on three large-scale social-media datasets: Crowdflower, GoEmotions, and Sentiment140. These experiments show that SentiFuse consistently outperforms individual models and naive ensembles. Feature-level fusion achieves the strongest overall effectiveness, yielding up to 4\% absolute improvement in F1 score over the best individual model and simple averaging, while adaptive fusion enhances robustness on challenging cases such as negation, mixed emotions, and complex sentiment expressions. These results demonstrate that systematically leveraging model complementarity yields more accurate and reliable sentiment analysis across diverse datasets and text types.
• Abstract（参考訳）: 感覚分析モデルは相補的な強みを示すが、既存のアプローチには効果的な統合のための統一された枠組みがない。 標準化レイヤと複数融合戦略を通じて異種感情モデルを統合するフレキシブルでモデルに依存しないフレームワークであるSentiFuseを紹介する。 提案手法は, 決定レベル融合, 特徴レベル融合, 適応融合をサポートし, 多様なモデルの体系的な組み合わせを可能にする。 我々は3つの大規模ソーシャルメディアデータセット(Crowdflower、GoEmotions、Sentiment140)で実験を行った。 これらの実験は、SentiFuseが個々のモデルとナイーブアンサンブルを一貫して上回っていることを示している。 機能レベルの融合は、最高の個人モデルと単純な平均よりもF1スコアが最大4倍向上し、適応的な融合は否定、混合感情、複雑な感情表現といった困難なケースに対する堅牢性を高める。 これらの結果は、モデル補完性を体系的に活用することで、多様なデータセットやテキストタイプに対してより正確で信頼性の高い感情分析が得られることを示している。

関連論文リスト

• An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models [59.13182819190547]
  ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。 複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。 本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T10:28:23Z)
• Harnessing Consistency for Robust Test-Time LLM Ensemble [88.55393815158608]
  CoREは、堅牢なLLMアンサンブルにモデル一貫性を利用するプラグイン・アンド・プレイ技術である。 トークンレベルの一貫性は、ダウンウェイト不確実なトークンにローパスフィルタを適用することで、きめ細かい不一致を捕捉する。 モデルレベルの一貫性は、自己自信の高いモデル出力を促進することで、グローバルな合意をモデル化する。
  論文  参考訳（メタデータ） (2025-10-12T04:18:45Z)
• InfiFusion: A Unified Framework for Enhanced Cross-Model Reasoning via LLM Fusion [35.98702433016698]
  InfiFusionは、ドメイン特化言語モデル(LLM)を単一のピボットモデルに統合するために設計された、効率的なトレーニングパイプラインである。 Pairwise Fusion (InfiFusion$_p$) と Unified Fusion (InfiFusion$_u$) の2つの融合戦略を提案する。 InfiFusionは、Qwen-2.5-14B-InstructやPhi-4といった最先端のモデルよりも、11の広く適用されたベンチマークで優れている。
  論文  参考訳（メタデータ） (2025-01-06T06:29:55Z)
• Dynamic Disentangled Fusion Network for RGBT Tracking [26.99387895981277]
  本研究では,DDFNetと呼ばれる新しい動的遠方核融合ネットワークを提案し,その融合過程を複数の動的核融合モデルに分解する。 特に,RGBと熱機能を統合する6つの属性ベース融合モデルを6つの難解なシナリオで設計する。 ベンチマークデータセットによる実験結果は、DDFNetが他の最先端手法に対して有効であることを示す。
  論文  参考訳（メタデータ） (2024-12-11T15:03:27Z)
• FusionBench: A Comprehensive Benchmark of Deep Model Fusion [78.80920533793595]
  ディープモデル融合(Deep Model fusion)とは、複数のディープニューラルネットワークの予測やパラメータを単一のモデルに統合する手法である。 FusionBenchは、ディープモデル融合に特化した最初の包括的なベンチマークである。
  論文  参考訳（メタデータ） (2024-06-05T13:54:28Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• VDFD: Multi-Agent Value Decomposition Framework with Disentangled World Model [10.36125908359289]
  本稿では,Distangled World Modelを用いた新しいモデルベースマルチエージェント強化学習手法であるValue Decomposition Frameworkを提案する。 提案手法は, サンプル効率が高く, 多様なマルチエージェント学習タスクにおいて, 他のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-08T22:12:43Z)

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。