論文の概要: DiffuSent: Towards a Unified Diffusion Framework for Aspect-Based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2606.01323v1
• Date: Sun, 31 May 2026 16:15:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.584819
• Title: DiffuSent: Towards a Unified Diffusion Framework for Aspect-Based Sentiment Analysis
• Title（参考訳）: Diffusent: アスペクトベースの知覚分析のための統一拡散フレームワークを目指して
• Authors: Shu Long, Yanglei Gan, Xuchuan Zhou,
• Abstract要約: 非自己回帰拡散フレームワークであるDiffuSentは、すべてのABSAサブタスクを境界分解拡散過程として定式化する。 また,Diffusentは多語三重項に対して有意な増加を示し,平均値2.48 F1を達成し,複数の感情三重項を含む文の頑健な抽出精度を維持した。
• 参考スコア（独自算出の注目度）: 4.022262570915779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aspect-Based Sentiment Analysis (ABSA) encompasses seven distinct subtasks, each focusing on different extracted elements. Despite the proven success of generative models in unified aspect sentiment analysis, existing approaches often rely on auto-regressive token-by-token generation without grasping the whole information of the aspect and opinion terms, resulting in boundary insensitivity, particularly in context of multi-word aspect and opinion terms. To address these issues, we present DiffuSent, a non-auto-regressive diffusion framework that systematically formulates all ABSA subtasks as boundary denoising diffusion processes, progressively refining boundaries over noisy states. Furthermore, we introduce a contrastive denoising training strategy which effectively address duplicate predictions with subtle variations introduced by diffusion process. Extensive experiments across 28 settings (7 subtasks x 4 datasets) demonstrate that DiffuSent achieves delivers consistent improvements over the strongest generative and span-based systems. DiffuSent exhibits notable gains on multi-word triplets, achieving an average improvement of +2.48 F1, and maintains robust extraction accuracy in sentences containing multiple sentiment triplets. Moreover, the non-auto-regressive decoding enables substantial efficiency benefits, reaching up to 181 times faster inference than auto-regressive generative baselines
• Abstract（参考訳）: Aspect-Based Sentiment Analysis (ABSA)は7つの異なるサブタスクを含み、それぞれ異なる抽出要素に焦点を当てている。 統合された側面の感情分析における生成モデルの成功にもかかわらず、既存のアプローチは、アスペクトと意見の項の全情報を把握せずに自動回帰的トークン・バイ・トケン生成に依存し、特にマルチワードの側面と意見の項の文脈において境界不感度をもたらす。 これらの問題に対処するために、DiffuSentは非自己回帰拡散フレームワークで、すべてのABSAサブタスクを境界分極拡散過程として体系的に定式化し、ノイズの多い状態の境界を段階的に洗練する。 さらに,拡散過程によって引き起こされる微妙な変化を伴う重複予測を効果的に処理する対照的な認知訓練戦略を導入する。 28の設定(7つのサブタスクx4データセット)にわたる大規模な実験は、DiffuSentが最強のジェネレーティブおよびスパンベースのシステムに対して一貫した改善を実現していることを示している。 Diffusentは多語三つ子に対して顕著な効果を示し、平均で2.48 F1の改善を達成し、複数の三つ子を含む文の堅牢な抽出精度を維持している。 さらに、非自己回帰復号化は、自己回帰生成ベースラインよりも最大181倍高速な推論を可能にする。

関連論文リスト

• Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment [97.55382322103986]
  Hit-RAGは認知的ボトルネックを解決するために設計された多段階の優先順位調整フレームワークである。 本手法は,3つの異なる段階を通じて外部証拠の利用を体系的に改善する。
  論文  参考訳（メタデータ） (2026-03-07T04:05:27Z)
• Diverse Text-to-Image Generation via Contrastive Noise Optimization [60.48914865049489]
  テキスト・ツー・イメージ(T2I)拡散モデルは高忠実度画像の生成において顕著な性能を示した。 既存のアプローチは通常、推論中に中間の潜伏状態やテキスト条件を最適化する。 本稿では,多様性問題に異なる視点から対処する簡易かつ効果的な手法であるContrastive Noise Optimizationを紹介する。
  論文  参考訳（メタデータ） (2025-10-04T13:51:32Z)
• Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
  MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。 モーダル内相互作用を利用した解釈可能性の向上を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:39:13Z)
• An Effective Deployment of Diffusion LM for Data Augmentation in Low-Resource Sentiment Classification [2.0930389307057427]
  感性分類(SC)は、ドメイン固有のコンテキスト、不均衡なラベル分布、少数ショットシナリオなど、低リソースの課題に悩まされることが多い。 我々はDiffusion LMを提案し、強力なラベル関連トークンを再構成することでドメイン内の知識を捕捉し、擬似サンプルを生成する。
  論文  参考訳（メタデータ） (2024-09-05T02:51:28Z)
• Inversion Circle Interpolation: Diffusion-based Image Augmentation for Data-scarce Classification [6.442738337380714]
  拡散に基づくDA法は,高品質なサンプルを生成する上で重要な2つの鍵である忠実さと多様性の両方を考慮できない。 拡散に基づく新しいDA法Diff-IIを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:05:02Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)

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。