論文の概要: A Comparative Study of PyCaret AutoML and CNN-BiLSTM for Binary Hate Speech Detection in Indonesian Twitter

• arxiv url: http://arxiv.org/abs/2605.04885v1
• Date: Wed, 06 May 2026 13:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.829964
• Title: A Comparative Study of PyCaret AutoML and CNN-BiLSTM for Binary Hate Speech Detection in Indonesian Twitter
• Title（参考訳）: PyCaret AutoMLとCNN-BiLSTMの比較検討
• Abstract要約: 本稿では,インドネシアのTwitter上で,IbrohimとBudiのコーパスのHSラベルを用いて,PyCaret AutoMLブランチとCNN-BiLSTMブランチを比較した。 従来のブランチでは、TF-IDFとレキシコンベースの虐待語カウントを使用しており、ニューラルブランチは、密集したトークン表現を学習し、局所的なフレーズパターンと双方向のコンテキストの両方をキャプチャする。 CNN-BiLSTMは83.8%の精度、79.8%の精度、82.7%のリコール、81.2%のF1スコアで最高の結果を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper compares a PyCaret AutoML branch and a CNN-BiLSTM branch for binary hate speech detection on Indonesian Twitter using the HS label from the corpus of Ibrohim and Budi. Both branches share the same preprocessing pipeline so that the comparison reflects modelling differences rather than inconsistent data preparation. The conventional branch uses TF-IDF with a lexicon-based abusive-word count, whereas the neural branch learns dense token representations and captures both local phrase patterns and bidirectional context. The benchmark is built from the released 13,130-row annotation table, whose HS label yields a 58:42 class ratio. On the held-out split, CNN-BiLSTM achieves the best result with 83.8% accuracy, 79.8% precision, 82.7% recall, and 81.2% F1-score. Within the PyCaret branch, Random Forest is the strongest conventional model with 77.2% accuracy and 77.0% F1-score. The neural branch therefore improves accuracy by 6.6 points and F1-score by 4.2 points. Exploratory corpus analysis, learning curves, and confusion matrices show that the dataset is short-text, moderately imbalanced, and still difficult because many decisions depend on local lexical cues plus short contextual composition. The study concludes that PyCaret AutoML is an effective conventional benchmarking framework, whereas CNN-BiLSTM is the stronger end model for the reported benchmark setting.
• Abstract（参考訳）: 本稿では,インドネシアのTwitter上で,IbrohimとBudiのコーパスのHSラベルを用いて,PyCaret AutoMLブランチとCNN-BiLSTMブランチを比較した。 両方のブランチは、一貫性のないデータ準備よりもモデリングの違いを反映するように、同じ前処理パイプラインを共有している。 従来のブランチでは、TF-IDFとレキシコンベースの虐待語カウントを使用しており、ニューラルブランチは、密集したトークン表現を学習し、局所的なフレーズパターンと双方向のコンテキストの両方をキャプチャする。 このベンチマークはリリースされた13130-rowアノテーションテーブルから作成されており、HSラベルは58:42のクラス比である。 CNN-BiLSTMは83.8%の精度、79.8%の精度、82.7%のリコール、81.2%のF1スコアで最高の結果を得る。 PyCaretブランチの中では、Random Forestが77.2%の精度と77.0%のF1スコアを持つ最強の標準モデルである。 したがって神経枝は精度を6.6ポイント、F1スコアを4.2ポイント改善する。 探索的コーパス分析、学習曲線、混乱行列は、データセットが短文であり、適度に不均衡であり、多くの決定が局所的な語彙的手がかりと短い文脈的構成に依存するため、依然として難しいことを示している。 この研究は、PyCaret AutoMLが効果的な従来のベンチマークフレームワークであるのに対し、CNN-BiLSTMは報告されたベンチマーク設定のより強力なエンドモデルである、と結論付けている。

関連論文リスト

• Scheduling Thoughts: Learning the Order of Thought in Diffusion Language Models [51.21958617138889]
  自己認識スケジューリングは、軽量な順序ポリシーを学び、任意の順序と半自己回帰デコーディングの両方にシームレスに適用する。 1B MDMのスドクでは、SASはパズルの精度を82.0%(ベストスケジュール)から91.8%に改善し、第2ステージの微調整で97.5%に達する。 LLaDA-8Bの数学的推論では、ASSはGSM8Kのpass@1を64%から76%に改善し、MBPPは39.5%から41%に改善した。
  論文  参考訳（メタデータ） (2026-06-22T16:32:25Z)
• Hybrid TF--IDF Logistic Regression and MLP Neural Baseline for Indonesian Three-Class Sentiment Analysis on Social Media Text [0.0]
  本稿では,インドネシアのソーシャルメディアテキストを対象としたコンパクトな3クラス感情分析研究について述べる。 タスクは、きめ細かい感情データセットから得られる正、負、中立の出力で定式化される。 比較のために、この研究は、同じハイブリッド特徴表現上の2層多層パーセプトロン(MLP)を用いた神経ベースラインも含んでいる。
  論文  参考訳（メタデータ） (2026-05-08T14:31:25Z)
• Benchmarking LightGBM and BiLSTM for Sentiment Analysis on Indonesian E-Commerce Reviews [0.0]
  本評価は,Hugging Faceをベースとしたインドネシアのeコマースレビューデータセットを用いて,感情分析タスクで実施する。 BiLSTMアーキテクチャは、インドネシアのレビューテキストのシーケンシャルなコンテキストをキャプチャする能力が高く、この特定の分類タスクにおいて優れたモデルとなっている。
  論文  参考訳（メタデータ） (2026-05-02T08:38:18Z)
• Benchmarking PyCaret AutoML Against BiLSTM for Fine-Grained Emotion Classification: A Comparative Study on 20-Class Emotion Detection [0.0]
  本研究では、20クラスの感情分類のための古典的機械学習とディープラーニングアプローチをベンチマークする。 その結果, BiLSTMは89%の精度, 重み付きF1スコア0.89で最高の総合性能を達成できた。
  論文  参考訳（メタデータ） (2026-04-29T05:31:45Z)
• Benchmarking PyCaret AutoML Against IndoBERT Fine-Tuning for Sentiment Analysis on Indonesian IKN Twitter Data [0.0]
  本稿では、PyCaret AutoMLに基づく古典的な機械学習アプローチと、IndoBERTに基づくディープラーニングアプローチをベンチマークする。 データセットには1,472個の手作業によるラベル付きサンプルが含まれており、780個の否定的なコメントと692個の肯定的なコメントで構成されている。
  論文  参考訳（メタデータ） (2026-04-28T09:02:24Z)
• Computational Linguistics Meets Libyan Dialect: A Study on Dialect Identification [0.0]
  使用されるデータセットはQADIコーパスであり、18のアラビア方言で54万の文からなる。 カイ二乗分析の結果,メールの言及や感情指標などの特定の特徴が方言の分類に大きく関連していないことが明らかとなった。 分類実験の結果、MNB(Multinomial Naive Bayes)は85.89%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-03T20:54:06Z)
• myNER: Contextualized Burmese Named Entity Recognition with Bidirectional LSTM and fastText Embeddings via Joint Training with POS Tagging [0.0]
  7タグのアノテーションスキームを特徴とする単語レベルNERコーパスであるmyNERを紹介する。 また、条件付きランダムフィールド(CRF)、双方向LSTM(BiLSTM)-CRF、および高速テキスト埋め込みの組み合わせを含む、NERモデルの包括的評価を行う。 実験により,文脈的単語埋め込みの有効性とPOSタグ付き共同学習の効果が明らかにされた。
  論文  参考訳（メタデータ） (2025-04-05T03:13:33Z)
• Who Evaluates the Evaluations? Objectively Scoring Text-to-Image Prompt Coherence Metrics with T2IScoreScore (TS2) [62.44395685571094]
  T2IScoreScoreはプロンプトを含むセマンティックエラーグラフのキュレートされたセットであり,誤画像の集合である。 これにより、与えられた迅速な忠実度測定値が、客観的な誤差数に対して正しく画像を順序付けできるかどうかを厳格に判断することができる。 最先端のVLMベースのメトリクスは、CLIPScoreのような単純な(そしておそらく悪い)機能ベースのメトリクスを著しく上回りません。
  論文  参考訳（メタデータ） (2024-04-05T17:57:16Z)
• Fully Attentional Networks with Self-emerging Token Labeling [108.53230681047617]
  我々は、意味的に意味のあるパッチトークンラベルを生成するためにFANトークンラベル(FAN-TL)をトレーニングし、その後、トークンラベルとオリジナルクラスラベルの両方を使用するFAN学生モデルトレーニングステージを作成した。 提案したSTLフレームワークでは,ImageNet-1KおよびImageNet-C上で84.8%のTop-1精度と42.1%のmCEを実現し,余分なデータを使用しないImageNet-A(46.1%)とImageNet-R(56.6%)の新たな最先端設定を行う。
  論文  参考訳（メタデータ） (2024-01-08T12:14:15Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Boosting Continuous Sign Language Recognition via Cross Modality Augmentation [135.30357113518127]
  連続手話認識は不整合のビデオテキストペアを扱う。 クロスモーダル拡張を用いた新しいアーキテクチャを提案する。 提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-10-11T15:07:50Z)
• ContextNet: Improving Convolutional Neural Networks for Automatic Speech Recognition with Global Context [58.40112382877868]
  ContextNet と呼ばれる新しい CNN-RNN-Transducer アーキテクチャを提案する。 ContextNetは、グローバルコンテキスト情報を畳み込みレイヤに組み込む、完全な畳み込みエンコーダを備えている。 クリーン/ノイズの多いLibriSpeechテストセット上では、ContextNetは、外部言語モデル(LM)なしで2.1%/4.6%、LMで1.9%/4.1%、および2.9%/7.0%のワードエラー率(WER)を達成した。
  論文  参考訳（メタデータ） (2020-05-07T01:03:18Z)

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。