論文の概要: Prototype-Regularized Federated Learning for Cross-Domain Aspect Sentiment Triplet Extraction

• arxiv url: http://arxiv.org/abs/2604.09123v1
• Date: Fri, 10 Apr 2026 09:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.788128
• Title: Prototype-Regularized Federated Learning for Cross-Domain Aspect Sentiment Triplet Extraction
• Title（参考訳）: クロスドメイン・アスペクト・センサ・トリプレット抽出のためのプロトタイプ正規化フェデレーション学習
• Authors: Zongming Cai, Jianhang Tang, Zhenyong Zhang, Jinghui Qin, Kebing Jin, Hankz Hankui Zhuo,
• Abstract要約: Aspect Sentiment Triplet extractは、文章からアスペクト項、意見項、感情極性のすべての感情三重項を抽出することを目的としている。 既存のメソッドは通常、個々のデータセットを個別にトレーニングし、ドメイン間で共有される共通の特徴表現を共同でキャプチャすることができない。 分散クライアントがモデルパラメータの代わりにクラスレベルのプロトタイプを交換できるように,プロトタイプベースのクロスドメインスパンプロトタイプ抽出(PCD-SpanProto)を提案する。
• 参考スコア（独自算出の注目度）: 16.84821204487277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect Sentiment Triplet Extraction (ASTE) aims to extract all sentiment triplets of aspect terms, opinion terms, and sentiment polarities from a sentence. Existing methods are typically trained on individual datasets in isolation, failing to jointly capture the common feature representations shared across domains. Moreover, data privacy constraints prevent centralized data aggregation. To address these challenges, we propose Prototype-based Cross-Domain Span Prototype extraction (PCD-SpanProto), a prototype-regularized federated learning framework to enable distributed clients to exchange class-level prototypes instead of full model parameters. Specifically, we design a weighted performance-aware aggregation strategy and a contrastive regularization module to improve the global prototype under domain heterogeneity and the promotion between intra-class compactness and inter-class separability across clients. Extensive experiments on four ASTE datasets demonstrate that our method outperforms baselines and reduces communication costs, validating the effectiveness of prototype-based cross-domain knowledge transfer.
• Abstract（参考訳）: Aspect Sentiment Triplet extract (ASTE) は、アスペクト項、意見項、感情極性の全ての三重項を文から抽出することを目的としている。 既存のメソッドは通常、個々のデータセットを個別にトレーニングし、ドメイン間で共有される共通の特徴表現を共同でキャプチャすることができない。 さらに、データプライバシの制約により、集中的なデータアグリゲーションが防止される。 これらの課題に対処するために、分散クライアントが完全なモデルパラメータの代わりにクラスレベルのプロトタイプを交換できるようにするためのプロトタイプ正規化フェデレーション学習フレームワークである、Prototype-based Cross-Domain Span Prototype extract (PCD-SpanProto)を提案する。 具体的には、ドメインの不均一性の下でのグローバルプロトタイプの改善と、クラス内コンパクト性とクライアント間のクラス間セパビリティの促進を目的として、重み付き性能認識集約戦略と対照的な正規化モジュールを設計する。 4つのASTEデータセットに対する大規模な実験により,本手法はベースラインを上回り,通信コストを低減し,プロトタイプベースのクロスドメイン知識伝達の有効性を検証した。

関連論文リスト

• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Taming Cross-Domain Representation Variance in Federated Prototype Learning with Heterogeneous Data Domains [8.047147770476212]
  フェデレートラーニング(FL)は、プライベートデータを共有することなく、協調的な機械学習トレーニングを可能にする。 ほとんどのFLメソッドは、クライアント間で同じデータドメインを前提としていますが、現実のシナリオは、しばしば異種データドメインを伴います。 分散を意識した2段階のプロトタイプをクラスタリングし,新たな$alpha$-sparsityのプロトタイプロスを利用するFedPLVMを紹介した。
  論文  参考訳（メタデータ） (2024-03-14T02:36:16Z)
• A Robust Negative Learning Approach to Partial Domain Adaptation Using Source Prototypes [0.8895157045883034]
  この研究は、負の転送問題を緩和する堅牢な部分的ドメイン適応(PDA)フレームワークを提案する。 それは多様で相補的なラベルフィードバックを含み、誤ったフィードバックの効果を緩和し、擬似ラベル改善を促進する。 我々は,部分領域適応タスクを網羅するアブレーション解析を含む包括的実験を行った。
  論文  参考訳（メタデータ） (2023-09-07T07:26:27Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• Semi-supervised Domain Adaptation via Prototype-based Multi-level Learning [4.232614032390374]
  半教師付きドメイン適応(SSDA)では、各クラスのいくつかのラベル付きターゲットサンプルが、完全なラベル付きソースドメインからターゲットドメインへの知識表現の転送を支援する。 本稿では,ラベル付き対象サンプルの可能性をうまく活用するために,プロトタイプベースのマルチレベル学習(ProML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-04T10:09:30Z)
• A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
  本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。 PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。 その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
  論文  参考訳（メタデータ） (2023-02-08T00:15:35Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)

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。