論文の概要: Not All or None: Dynamic Construction of Target-aware Memory Graph for Conversational Stance Detection
- arxiv url: http://arxiv.org/abs/2608.29066v1
- Date: Sat, 29 Aug 2026 05:42:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.829393
- Title: Not All or None: Dynamic Construction of Target-aware Memory Graph for Conversational Stance Detection
- Title（参考訳）: 全て・なし:会話スタンス検出のためのターゲット対応メモリグラフの動的構築
- Abstract要約: 本稿では,ターゲット関連文を動的に活用して対話的姿勢検出を行う,ターゲット認識型メモリグラフTamGraphを提案する。
我々のTamGraphは、ステップワイズでエントロピー誘導されたバックトラッキング機構を使用して、過去の会話からメモリを選択的に活性化する。
英語と中国語のベンチマークによる実験結果から,TamGraphは会話姿勢検出におけるLLM性能を大幅に向上することが示された。
- 参考スコア（独自算出の注目度）: 47.347568292665024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stance detection is crucial for understanding the underlying attitude of an expression towards a target. Conversational stance detection is a more challenging stance detection task in real-world social media scenarios, as it involves detecting the user's stance by leveraging the target-related historical statements across conversational sessions. In this paper, we propose target-aware Memory Graph TamGraph, a novel method that dynamically leverages target-related statements for conversational stance detection. Instead of considering all preceding historical conversations or using no prior conversation information for stance detection, our TamGraph employs a stepwise, entropy-guided backtracking mechanism to selectively activate memory from historical conversations and dynamically constructs a target-aware graph to model the stance relations among utterances. This allows the exploitation of target-related information from the conversation history for stance detection while preventing the introduction of noise. Experimental results on both English and Chinese benchmarks demonstrate that our TamGraph substantially improves LLM performance on conversational stance detection.
- Abstract（参考訳）: スタンス検出は、ターゲットに対する表現の根底にある態度を理解するために重要である。
会話的スタンス検出は、対話的なセッションを通じて、ターゲットに関連する歴史的ステートメントを活用することによって、ユーザのスタンスを検出することによって、現実のソーシャルメディアシナリオにおいてより困難なスタンス検出タスクである。
本稿では,対話姿勢検出にターゲット関連文を動的に活用する新しい手法であるターゲット対応メモリグラフTamGraphを提案する。
我々のTamGraphは、過去の会話をすべて考慮したり、事前の会話情報をスタンス検出に使用する代わりに、段階的にエントロピー誘導されたバックトラック機構を使用して、履歴会話から記憶を選択的に活性化し、ターゲット認識グラフを動的に構築し、発話間のスタンス関係をモデル化する。
これにより、雑音の発生を防止しつつ、会話履歴からターゲット関連情報を利用した姿勢検出が可能となる。
英語と中国語のベンチマークによる実験結果から,TamGraphは会話姿勢検出におけるLLM性能を大幅に向上することが示された。
関連論文リスト
- Memory-Augmented Query Intent Understanding for Efficient Chat-based Image Retrieval [74.93546115702155]
チャットに基づく画像検索により,多ラウンド対話によるユーザ意図の反復的明確化と洗練が可能となる。
このタスクの主な課題は、対話ラウンド全体でユーザーのクエリインテントを動的に理解し、更新することである。
本稿では,チャットベースの画像検索タスクのための,メモリベースの新規かつ効率的なユーザ意図更新フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-17T10:17:41Z) - Interactive Tracking: A Human-in-the-Loop Paradigm with Memory-Augmented Adaptation [60.96010213186819]
自然言語コマンドを使用していつでもトラッカーをガイドできる新しいパラダイムであるInteractive Trackingを導入する。
対話型トラッキングのための最初の大規模ベンチマークであるInteractTrackについて紹介する。
第3に,ユーザからのフィードバックから学習し,トラッキング動作を更新するために動的メモリ機構を利用する新しいベースラインであるInteractive Memory-Augmented Tracking (IMAT)を導入する。
論文 参考訳（メタデータ） (2026-04-02T12:33:27Z) - Grounding Agent Memory in Contextual Intent [22.299598216046103]
STITCHは、各トラジェクトリステップに構造化された検索キュー、コンテキスト意図をインデックスし、現在のステップの意図にマッチして履歴を検索するメモリシステムである。
CAME-Benchは,現実的,動的,目標指向の軌道における文脈認識検索のベンチマークである。
分析の結果,意図インデクシングは検索ノイズを大幅に低減し,頑健なロングホライゾン推論のためのインテント・アウェア・メモリをサポートした。
論文 参考訳（メタデータ） (2026-01-15T18:55:13Z) - Zero-Shot Conversational Stance Detection: Dataset and Approaches [24.892337124161983]
スタンス検出は、ソーシャルメディアデータを用いて特定のターゲットに対する世論を識別することを目的としている。
我々は、ZS-CSDという、大規模で高品質なゼロショットスタンス検出データセットを手動でキュレートする。
SITPCL, 話者インタラクションとターゲット認識型プロトタイプ型コントラスト学習モデルを提案し, ゼロショット環境でのベンチマーク性能を確立する。
論文 参考訳（メタデータ） (2025-06-21T12:02:06Z) - Contextual Speech Extraction: Leveraging Textual History as an Implicit Cue for Target Speech Extraction [50.630431647192054]
本稿では,ターゲット音声抽出(TSE)の新しい手法について検討する。
対象の音声を抽出するためには、テキストの文脈にのみ依存する。
3つのCSEモデルを示し、その性能を3つのデータセットで分析する。
論文 参考訳（メタデータ） (2025-03-11T18:26:10Z) - A Challenge Dataset and Effective Models for Conversational Stance Detection [26.208989232347058]
マルチターン会話姿勢検出データセット(textbfMT-CSD)を導入する。
本稿では,会話データに固有の長距離および短距離の依存関係に対処するグローバルローカルアテンションネットワーク(textbfGLAN)を提案する。
私たちのデータセットは、ドメイン間スタンス検出の進歩を触媒する貴重なリソースとして役立ちます。
論文 参考訳（メタデータ） (2024-03-17T08:51:01Z) - Improved Target-specific Stance Detection on Social Media Platforms by
Delving into Conversation Threads [12.007570049217398]
本稿では,会話姿勢検出という新しい課題を提案する。
データインスタンスとその対応する会話スレッドが与えられた場合、所定のターゲット(例えば、COVID-19ワクチン接種)に対するスタンスを推論する。
データインスタンスと会話スレッドの両方から所望のスタンスを推測するため,会話スレッドにコンテキスト情報を組み込んだBranch-BERTモデルを提案する。
論文 参考訳（メタデータ） (2022-11-06T08:40:48Z) - A Graph-based Interactive Reasoning for Human-Object Interaction
Detection [71.50535113279551]
本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。
In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。
私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
論文 参考訳（メタデータ） (2020-07-14T09:29:03Z) - ORD: Object Relationship Discovery for Visual Dialogue Generation [60.471670447176656]
視覚対話生成のためのオブジェクトインタラクションを保存するためのオブジェクト関係探索(ORD)フレームワークを提案する。
階層的なグラフ畳み込みネットワーク (HierGCN) が提案され、オブジェクトノードと近傍の関係を局所的に保持し、オブジェクトとオブジェクトの接続をグローバルに洗練する。
実験により,視覚的関係の文脈情報を活用することにより,対話の質を大幅に向上できることが示された。
論文 参考訳（メタデータ） (2020-06-15T12:25:40Z)
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。