論文の概要: From Two Passes to One: Compact and Efficient Target-Stance Extraction

• arxiv url: http://arxiv.org/abs/2609.06108v1
• Date: Sat, 05 Sep 2026 14:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 11:37:52.345233
• Title: From Two Passes to One: Compact and Efficient Target-Stance Extraction
• Title（参考訳）: 2つのパスから1へ:コンパクトで効率的なターゲット・スタンス抽出
• Abstract要約: 1つの前方通過で両方を予測する1パスの合同アーキテクチャを提案する。 標準目標探索法は、目標予測精度を人工的に抑制する。 明示的なターゲット参照の保持は、ターゲット分類とターゲット生成設定の両方でF1を少なくとも6ポイント改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Target-Stance Extraction (TSE) is the task of predicting both the target (or topic) of an author's writing and the author's stance toward it. Existing approaches to TSE use a sequential pipeline of two separate neural models: one to identify the target and another to determine the stance. We present a one-pass, joint architecture that predicts both in a single forward pass, reducing trainable parameters by nearly 50% with only a 4-7 F1 point tradeoff in performance. We further demonstrate that standard target-scrubbing practices artificially suppress target prediction accuracy. Retaining explicit target mentions, as in real-world deployments, improves F1 by at least 6 points across both target classification and target generation settings. These improvements allow for significantly easier integration of TSE in downstream applications such as public opinion tracking.
• Abstract（参考訳）: ターゲット・スタンス抽出(TSE)は、著者の著作の目標(または話題)と著者の著作に対するスタンスの両方を予測するタスクである。 既存のTSEアプローチでは、2つの別々のニューラルモデルからなるシーケンシャルパイプラインを使用しており、1つはターゲットを識別し、もう1つはスタンスを決定する。 1つの前方通過で両方を予測する1パスのジョイントアーキテクチャを提案し、トレーニング可能なパラメータを50%近く削減し、性能は4-7 F1ポイントのトレードオフしか持たない。 さらに,目標予測精度を人為的に抑制する標準目標探索手法を実証した。 実際のデプロイメントのように明示的なターゲット参照を保持することで、ターゲット分類とターゲット生成設定の両方でF1を少なくとも6ポイント改善する。 これらの改善により、公開世論追跡のような下流アプリケーションへのTSEの統合が大幅に簡単になる。

関連論文リスト

• A Unifying Lens on Supervised Fine-Tuning Through Target Distribution Design [47.42907478044802]
  スーパーバイザード・ファインチューニング(SFT)は典型的には、証明された軌道における全てのトークンの確率を最大化する。 この1ホットターゲットに対する厳密な適合性は、特に事前訓練されたモデルが事前に豊富な知識を符号化する場合に最適である。 本研究では、SFTを目標分布設計として再解釈し、損失目標のみを研究する代わりに、損失がモデルに一致させるトークンレベル目標を分析する。
  論文  参考訳（メタデータ） (2026-06-09T17:59:54Z)
• Diagnosing Capability Gaps in Fine-Tuning Data [24.893074850115394]
  GoalCoverは、実践者が微調整データセットの能力ギャップを検出するのを支援するフレームワークである。 GoalCoverは、ハイレベルな目標を原子的に独立して評価可能なサブゴールに構造化した分解を通じて実践者を導く。 GoalCoverは、ターゲット外の能力への影響を確実に区別する。
  論文  参考訳（メタデータ） (2026-04-30T07:52:28Z)
• TALENT: Target-aware Efficient Tuning for Referring Image Segmentation [42.766432845564786]
  イメージセグメンテーションの参照は、自然なテキスト表現に基づいて特定のターゲットをセグメンテーションすることを目的としている。 既存のPETベースのメソッドは、視覚的特徴がテキスト参照ターゲットインスタンスを強調できないという事実に悩まされることが多い。 本稿では,PET ベースの RIS に対して,目標認識を効果的に調整する新しいフレームワーク TALENT を提案する。
  論文  参考訳（メタデータ） (2026-04-01T08:13:33Z)
• Zero-Shot Stance Detection in the Wild: Dynamic Target Generation and Multi-Target Adaptation [13.424443287821118]
  我々は,動的ターゲット生成とマルチターゲット適応による野生でのゼロショット姿勢検出という新しい課題を提案する。 我々は,中国のソーシャルメディアスタンス検出データセットを構築し,多次元評価指標を設計する。
  論文  参考訳（メタデータ） (2026-01-27T17:04:18Z)
• Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
  スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。 以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。 本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T17:24:28Z)
• Focus on Your Target: A Dual Teacher-Student Framework for Domain-adaptive Semantic Segmentation [210.46684938698485]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)について検討する。 対象領域からのトレーニングサンプルの割合を減少・増加させることで,「学習能力」が強化・弱まることがわかった。 本稿では,DTS(Double teacher-student)フレームワークを提案し,双方向学習戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-03-16T05:04:10Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Generative multitask learning mitigates target-causing confounding [61.21582323566118]
  マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。 改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。 人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
  論文  参考訳（メタデータ） (2022-02-08T20:42:14Z)
• Latent Space Regularization for Unsupervised Domain Adaptation in Semantic Segmentation [14.050836886292869]
  セマンティックセグメンテーションにおけるドメインの不一致を減らすために、機能レベルの空間形成正規化戦略を紹介します。 このような手法の有効性を自律運転環境で検証する。
  論文  参考訳（メタデータ） (2021-04-06T16:07:22Z)
• Two-phase Pseudo Label Densification for Self-training based Domain Adaptation [93.03265290594278]
  TPLDと呼ばれる,新規な二相擬似ラベル高密度化フレームワークを提案する。 第1フェーズでは,スライディングウインドウ投票を用いて,画像内の内在的空間相関を利用して,自信のある予測を広める。 第2フェーズでは,信頼度に基づく容易な分類を行う。 トレーニングプロセスの容易化と騒音予測の回避を目的として,ブートストラップ機構の導入を行った。
  論文  参考訳（メタデータ） (2020-12-09T02:35:25Z)

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。