論文の概要: Generate Then Correct: Single Shot Global Correction for Aspect Sentiment Quad Prediction

• arxiv url: http://arxiv.org/abs/2603.13777v1
• Date: Sat, 14 Mar 2026 06:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.400167
• Title: Generate Then Correct: Single Shot Global Correction for Aspect Sentiment Quad Prediction
• Title（参考訳）: 同時生成:1ショット大域補正による知覚四分法予測
• Authors: Shidong He, Haoyu Wang, Wenjie Luo,
• Abstract要約: ABSAの主な課題はアスペクト感情クワッド予測(ASQP)で、4つの要素を識別する必要がある。 本稿では,1ショットのシーケンスレベルの大域的補正を行うジェネレータであるGenerate-then-Correct (G2C)を提案する。 Rest15とRest16データセットでは、G2Cは強力なベースラインモデルを上回っている。
• 参考スコア（独自算出の注目度）: 5.379256398853664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect-based sentiment analysis (ABSA) extracts aspect-level sentiment signals from user-generated text, supports product analytics, experience monitoring, and public-opinion tracking, and is central to fine-grained opinion mining. A key challenge in ABSA is aspect sentiment quad prediction (ASQP), which requires identifying four elements: the aspect term, the aspect category, the opinion term, and the sentiment polarity. However, existing studies usually linearize the unordered quad set into a fixed-order template and decode it left-to-right. With teacher forcing training, the resulting training-inference mismatch (exposure bias) lets early prefix errors propagate to later elements. The linearization order determines which elements appear earlier in the prefix, so this propagation becomes order-sensitive and is hard to repair in a single pass. To address this, we propose a method, Generate-then-Correct (G2C): a generator drafts quads and a corrector performs a single-shot, sequence-level global correction trained on LLM-synthesized drafts with common error patterns. On the Rest15 and Rest16 datasets, G2C outperforms strong baseline models.
• Abstract（参考訳）: アスペクトベースの感情分析(ABSA)は、ユーザ生成テキストからアスペクトレベルの感情信号を抽出し、製品分析、経験モニタリング、パブリックオピニオントラッキングをサポートし、詳細な意見マイニングの中心である。 ABSAの重要な課題はアスペクト感情クワッド予測(ASQP)であり、アスペクト項、アスペクトカテゴリー、意見項、感情極性という4つの要素を識別する必要がある。 しかし、既存の研究は通常、順序のないクワッド集合を固定順序テンプレートに線形化し、それを左から右に復号する。 教師の強制訓練では、結果として生じるトレーニング推論ミスマッチ(露出バイアス)により、初期のプレフィックスエラーが後続の要素に伝播する。 線形化順序は、どの要素がプレフィックスでより早く現れるかを決定するため、この伝播は順序に敏感になり、1回のパスで修理が困難になる。 そこで本研究では,ジェネレータのドラフトと修正器が単一ショットでシーケンスレベルのグローバルな補正を行い,LLM合成されたドラフトに共通なエラーパターンを付加する手法を提案する。 Rest15とRest16データセットでは、G2Cは強力なベースラインモデルを上回っている。

関連論文リスト

• Stable-RAG: Mitigating Retrieval-Permutation-Induced Hallucinations in Retrieval-Augmented Generation [24.598044386822508]
  Retrieval-Augmented Generationは、大規模言語モデルにおける事実幻覚を減らすための重要なパラダイムとなっている。 本稿では,置換誘導幻覚を緩和するために,置換感度推定を利用するStable-RAGを提案する。
  論文  参考訳（メタデータ） (2026-01-06T13:07:38Z)
• Listwise Preference Optimization with Element-wise Confusions for Aspect Sentiment Quad Prediction [14.189537313152954]
  アスペクト感情クワッド予測(ASQP)は、4つの中核的な感情要素を持つ構造化された四重項を予測することが本質的に困難である。 従来の手法では、マーカーに基づく予測は要素間の複雑な関係をモデル化するのに苦労する。 我々は、統一テンプレート内の要素プレフィックスの下で、四重項と自然言語の理性の両方を出力するために、推論に基づく生成を用いる。
  論文  参考訳（メタデータ） (2025-11-28T13:52:01Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• Guess-and-Learn (G&L): Measuring the Cumulative Error Cost of Cold-Start Adaptation [0.11102988539107704]
  機械学習モデルの評価は、スクラッチから学習中に発生する累積誤差の適応コストを見越して、最終的な精度を強調するのが一般的である。 Guess-and- Learn (G&L) v1.0は、コールドスタート適応性を測定することで、このギャップに対処する。
  論文  参考訳（メタデータ） (2025-08-29T00:13:02Z)
• Controlled Generation with Prompt Insertion for Natural Language Explanations in Grammatical Error Correction [50.66922361766939]
  ユーザの修正理由の理解を確保することが不可欠である。 既存の研究では、修正の根拠となるトークン、例、ヒントが提示されているが、修正の理由を直接説明していない。 GEC修正のための説明を生成するには、入力トークンと出力トークンの整列、修正ポイントの識別、およびそれに対応する説明を一貫して提示することが含まれる。 本研究では,LLMが自然言語の修正の理由を説明するために,Prompt Insertion (PI) を用いた制御生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-20T16:14:10Z)
• Bridging Generative and Discriminative Noisy-Label Learning via Direction-Agnostic EM Formulation [26.430145104987982]
  生成雑音ラベル学習のための一段階EMスタイルのフレームワークを提案する。 提案手法は, 最先端の精度, 遷移行列推定誤差の低減, および現在の生成的および識別的ベースラインよりも大幅に少ないトレーニング計算を実現する。
  論文  参考訳（メタデータ） (2023-08-02T14:48:25Z)
• Uncertainty-Aware Unlikelihood Learning Improves Generative Aspect Sentiment Quad Prediction [52.05304897163256]
  トークンレベルの生成を制御するテンプレートに依存しない手法を提案する。 具体的には、事前訓練された言語モデルのビルトイン不確実性を理解するために、モンテカルロのドロップアウトを導入する。 さらに,不確実性を認識した誤りトークンを抑制するために,差分学習を提案する。
  論文  参考訳（メタデータ） (2023-06-01T07:49:06Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• Aspect Sentiment Quad Prediction as Paraphrase Generation [53.33072918744124]
  Aspect Sentiment Quad Prediction (ASQP)タスクを導入し、与えられた意見文に対するクワッド内のすべての感情要素を共同で検出することを目的とした。 本稿では,ASQP タスクをパラフレーズ生成プロセスにキャストする新しいtextscParaphrase モデリングパラダイムを提案する。 一方、感情要素のセマンティクスは、自然言語形式でそれらを生成する学習によって完全に活用することができる。
  論文  参考訳（メタデータ） (2021-10-02T12:57:27Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)

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。