論文の概要: LogSigma at SemEval-2026 Task 3: Uncertainty-Weighted Multitask Learning for Dimensional Aspect-Based Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2603.24896v1
- Date: Thu, 26 Mar 2026 00:21:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.025666
- Title: LogSigma at SemEval-2026 Task 3: Uncertainty-Weighted Multitask Learning for Dimensional Aspect-Based Sentiment Analysis
- Title（参考訳）: SemEval-2026 Task 3におけるLogSigma: 次元アスペクトに基づく知覚分析のための不確かさ重み付きマルチタスク学習
- Authors: Baraa Hikal, Jonas Becker, Bela Gipp,
- Abstract要約: 本稿では,SemEval-2026 Task 3: dimension Aspect-Based Sentiment Analysis (DimABSA) のためのLogSigmaについて述べる。
従来のAspect-Based Sentiment Analysis (ABSA)とは異なり、DimABSAは1-9スケールで連続的なValenceとArousal(VA)のスコアを予測する必要がある。
学習された相補的不確実性を用いてこの問題に対処し、モデルがタスク固有の対数分散パラメータを学習し、各回帰目標を自動的にバランスさせる。
- 参考スコア（独自算出の注目度）: 6.973560371148433
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper describes LogSigma, our system for SemEval-2026 Task 3: Dimensional Aspect-Based Sentiment Analysis (DimABSA). Unlike traditional Aspect-Based Sentiment Analysis (ABSA), which predicts discrete sentiment labels, DimABSA requires predicting continuous Valence and Arousal (VA) scores on a 1-9 scale. A central challenge is that Valence and Arousal differ in prediction difficulty across languages and domains. We address this using learned homoscedastic uncertainty, where the model learns task-specific log-variance parameters to automatically balance each regression objective during training. Combined with language-specific encoders and multi-seed ensembling, LogSigma achieves 1st place on five datasets across both tracks. The learned variance weights vary substantially across languages due to differing Valence-Arousal difficulty profiles-from 0.66x for German to 2.18x for English-demonstrating that optimal task balancing is language-dependent and cannot be determined a priori.
- Abstract（参考訳）: 本稿では,SemEval-2026 Task 3: dimension Aspect-Based Sentiment Analysis (DimABSA) のシステムであるLogSigmaについて述べる。
離散的な感情ラベルを予測する従来のアスペクトベース感情分析(ABSA)とは異なり、DimABSAは1-9スケールで連続的ヴァレンスと覚醒(VA)のスコアを予測する必要がある。
中心的な課題は、ValenceとArousalが言語やドメイン間で予測の難しさが異なることである。
学習した相補的不確実性を用いてこの問題に対処し、モデルがタスク固有のログ分散パラメータを学習し、トレーニング中の各回帰目標を自動的にバランスさせる。
言語固有のエンコーダとマルチシードのアンサンブルを組み合わせることで、LogSigmaは両方のトラックにまたがる5つのデータセットで1位を獲得している。
学習された差分重みは、Valence-Arousalの難易度プロファイルがドイツ語の0.66xから英語の2.18xまで異なるため、言語によって大きく異なる。
関連論文リスト
- AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis [13.528308058170479]
次元アスペクトベース感性分析(DimABSA)に基づくSemEval-2026タスク3のトラックAのためのAILS-NTUAシステムを提案する。
提案手法は,連続的なアスペクトレベルの感情予測のための言語固有バックボーンの微調整と,LoRAを用いた大規模言語モデルの言語固有命令チューニングを併用する。
この統合されたタスク適応型設計は、言語とドメイン間のパラメータ効率の高い特殊化を強調し、強力な有効性を維持しながら、トレーニングと推論の要求を削減できる。
論文 参考訳（メタデータ） (2026-03-05T08:30:59Z) - DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysis [57.70022214686838]
DimABSAは、従来のABSA要素とVAスコアの両方に注釈を付けた最初の多言語次元ABSAリソースである。
このリソースには、42,590の文にわたる76,958のアスペクトインスタンスが含まれており、6つの言語と4つのドメインにまたがっている。
論文 参考訳（メタデータ） (2026-01-30T14:30:35Z) - DimStance: Multilingual Datasets for Dimensional Stance Analysis [15.66074094588045]
スタンス検出は、著者の特定の目標に対する態度を、フェーバー、中立、反対などのカテゴリに分類する確立したタスクである。
我々は、長い間確立されてきた感情科学の枠組みを利用して、価値(負の)と覚醒(カルムのアクティブ)の実数値次元に沿ってスタンスをモデル化する。
この次元的アプローチは、スタンス表現の根底にある微妙な感情状態を捉え、きめ細かいスタンス解析を可能にする。
論文 参考訳（メタデータ） (2026-01-29T10:02:08Z) - MathRobust-LV: Evaluation of Large Language Models' Robustness to Linguistic Variations in Mathematical Reasoning [0.0]
大規模言語モデルは数学のベンチマークで優れているが、それらの数学は言語的変動に頑健性をもたらす。
そこで本研究では, インストラクタが評価にまたがってどのように問題を言い換えるかを反映した, テストセットと評価手法であるMathRobust-LVを紹介する。
結果から,言語的変化に対する頑健性は基本的な課題であり,モデルに脆弱性があることが示唆された。
論文 参考訳（メタデータ） (2025-10-07T20:09:29Z) - Semantic Image Attack for Visual Model Diagnosis [80.36063332820568]
実際には、特定の列車およびテストデータセットに関する計量分析は、信頼性や公正なMLモデルを保証しない。
本稿では,セマンティック・イメージ・アタック(SIA)を提案する。
論文 参考訳（メタデータ） (2023-03-23T03:13:04Z) - Delving Deeper into Cross-lingual Visual Question Answering [115.16614806717341]
標準学習装置に簡単な修正を加えることで、モノリンガル英語のパフォーマンスへの移行ギャップを大幅に減らすことができることを示す。
多言語マルチモーダル変換器の多言語間VQAを多言語間VQAで解析する。
論文 参考訳（メタデータ） (2022-02-15T18:22:18Z) - A Latent-Variable Model for Intrinsic Probing [93.62808331764072]
固有プローブ構築のための新しい潜在変数定式化を提案する。
我々は、事前訓練された表現が言語間交互に絡み合ったモルフォシンタクスの概念を発達させる経験的証拠を見出した。
論文 参考訳（メタデータ） (2022-01-20T15:01:12Z) - Uncertainty-Aware Balancing for Multilingual and Multi-Domain Neural
Machine Translation Training [58.72619374790418]
MultiUATはモデルの不確実性に基づいてトレーニングデータの使用量を動的に調整する。
クロスドメイン転送を解析し、静的および類似性に基づく手法の欠如を示す。
論文 参考訳（メタデータ） (2021-09-06T08:30:33Z) - Boosting Cross-Lingual Transfer via Self-Learning with Uncertainty
Estimation [34.97086123805344]
最近の多言語事前訓練型言語モデルは、目覚ましいゼロショット性能を実現している。
対象言語のラベルのないデータをさらに活用する自己学習フレームワークを提案する。
我々は,NER(Nond Entity Recognition)とNLI(Natural Language Inference)の2つの言語間タスクについて,40言語を網羅した不確実性で評価した。
論文 参考訳（メタデータ） (2021-09-01T05:26:46Z) - Parameter Space Factorization for Zero-Shot Learning across Tasks and
Languages [112.65994041398481]
本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。
タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。
我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
論文 参考訳（メタデータ） (2020-01-30T16:58:56Z)
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。