論文の概要: Learning Interpretable Text Signals for Structured Responses
- arxiv url: http://arxiv.org/abs/2606.25268v1
- Date: Wed, 24 Jun 2026 01:08:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.180726
- Title: Learning Interpretable Text Signals for Structured Responses
- Title（参考訳）: 構造化応答に対する解釈可能なテキスト信号の学習
- Abstract要約: 本稿では,解釈可能なテキスト応答モデリングの初期事例としての評価予測について検討する。
本稿では,テキスト再構成と評価予測の両方から文書トピック表現を学習する,非負の行列分解と二項回帰モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Textual data are often collected alongside structured response variables, but prediction and interpretation are commonly treated as separate tasks. This paper studies rating prediction as an initial case of interpretable text-response modelling, where the aim is to learn textual representations that are both semantically meaningful and aligned with an external response. We propose a joint non-negative matrix factorisation and binomial regression model, in which the document-topic representation is learned from both text reconstruction and rating prediction. Simulation experiments and a real-world review dataset show that the model can recover stable response-relevant textual signals and achieve competitive performance against linear and ridge regression baselines. The framework provides a practical step towards interpretable modelling of text-linked outcomes, with potential extensions to other response types beyond bounded ratings.
- Abstract（参考訳）: テキストデータは構造化された応答変数とともに収集されることが多いが、予測と解釈は一般的に別のタスクとして扱われる。
本稿では,解釈可能なテキスト応答モデリングの初期事例として評価予測について検討し,その目的は,意味論的に意味があり,外部応答に整合したテキスト表現を学習することである。
本稿では,テキスト再構成と評価予測の両方から文書トピック表現を学習する,非負の行列分解と二項回帰モデルを提案する。
シミュレーション実験と実世界のレビューデータセットにより,安定な応答関連テキスト信号の復元が可能であり,線形およびリッジ回帰ベースラインに対する競合性能が得られた。
このフレームワークは、テキストリンクされた結果の解釈可能なモデリングへの実践的なステップを提供する。
関連論文リスト
- How Far Do Simple Transformations Translate Across Text Embedding Models? [1.7812673697676977]
単純変換がヘテロジニアステキスト埋め込みモデル間で表現を変換できるかどうかを検討する。
我々は、単純化されたベンチマークを超える現実的なテキスト設定において、潜在普遍性の仮説をテストする。
全体としては、不均一な埋め込み空間は、いくつかの文献でよく示唆されるような単純な写像によって普遍的に関係がないことを示す。
論文 参考訳（メタデータ） (2026-08-06T12:57:01Z) - How Well Do Text Embedding Models Understand Syntax? [50.440590035493074]
テキスト埋め込みモデルが幅広い構文的文脈にまたがって一般化する能力は、まだ解明されていない。
その結果,既存のテキスト埋め込みモデルは,これらの構文的理解課題に十分対応していないことが明らかとなった。
多様な構文シナリオにおけるテキスト埋め込みモデルの一般化能力を高めるための戦略を提案する。
論文 参考訳（メタデータ） (2023-11-14T08:51:00Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳（メタデータ） (2023-08-24T16:06:36Z) - Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。
動的パーソナライズされた価格設定などの問題の因果構造を形式化する。
本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文 参考訳（メタデータ） (2021-10-19T16:15:56Z) - Bayesian Topic Regression for Causal Inference [3.9082355007261427]
観測テキストデータを用いた因果推論は、多くの研究領域で人気が高まっている。
本稿では,テキストと数値情報の両方を用いて結果変数をモデル化するベイズ的トピック回帰モデルを提案する。
論文 参考訳（メタデータ） (2021-09-11T16:40:43Z) - On the Lack of Robust Interpretability of Neural Text Classifiers [14.685352584216757]
本研究では,事前学習したトランスフォーマーエンコーダをベースとしたニューラルテキスト分類器の解釈の堅牢性を評価する。
どちらのテストも、期待された行動から驚くほど逸脱しており、実践者が解釈から引き出す可能性のある洞察の程度について疑問を呈している。
論文 参考訳（メタデータ） (2021-06-08T18:31:02Z) - JST-RR Model: Joint Modeling of Ratings and Reviews in Sentiment-Topic
Prediction [2.3834926671238916]
テキストレビューと総合評価の両方に対応する確率モデルを提案します。
提案手法は,レビューデータの予測精度を高め,解釈可能な話題や感情を効果的に検出する。
論文 参考訳（メタデータ） (2021-02-18T15:47:34Z) - Exploring Fluent Query Reformulations with Text-to-Text Transformers and
Reinforcement Learning [11.205077315939644]
テキストからテキストへの変換器を用いた改質器の訓練により、クエリの改質を生成する方法を検討する。
ポリシーベースの強化学習アルゴリズムを適用し、報酬学習をさらに促進します。
当社のフレームワークはフレキシブルで,異なる下流環境から報奨信号の発信を可能にする。
論文 参考訳（メタデータ） (2020-12-18T03:16:37Z) - Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。
モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。
要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:57:27Z) - Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。
我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。
実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
論文 参考訳（メタデータ） (2020-10-06T02:51:02Z) - A Revised Generative Evaluation of Visual Dialogue [80.17353102854405]
本稿では,VisDialデータセットの改訂評価手法を提案する。
モデルが生成した回答と関連する回答の集合のコンセンサスを測定する。
DenseVisDialとして改訂された評価スキームのこれらのセットとコードをリリースする。
論文 参考訳（メタデータ） (2020-04-20T13:26:45Z)
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。