論文の概要: YNU-HPCC at SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Using Multiple Prediction Headers

• arxiv url: http://arxiv.org/abs/2609.19238v1
• Date: Tue, 28 Jul 2026 13:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.090906
• Title: YNU-HPCC at SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Using Multiple Prediction Headers
• Title（参考訳）: YNU-HPCC at SemEval-2025 Task 11: Bridging the Gap in Text-based Emotion Using Multiple Prediction Header (特集:情報ネットワーク)
• Abstract要約: 本稿では,YNU-HPCCチームによるタスク11のサブタスクAへの参加について述べる。 本システムでは,Transformer エンコーダアーキテクチャを利用した BERT の改良版である RoBERTa モデルを採用している。 データセット全体がGoogle Translateを使用して英語に翻訳され、その後の処理が容易になった。
• 参考スコア（独自算出の注目度）: 13.261187830239797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the participation of the YNU-HPCC team in subtask A of task 11, Bridging the Gap in Text-Based Emotion at SemEval-2025. Our best-performing system employs the RoBERTa (Robustly Optimized BERT Approach) model, an improved version of BERT that utilizes the Transformer encoder architecture. We enhanced the output head to allow the model to process one emotion simultaneously. We obtained the official ranking score (0.44), including results from all languages. The entire dataset was translated into English using Google Translate to facilitate subsequent processing. Through probabilistic and attention analyses, we found that (I) a single prediction head performs better than six heads predicting six emotions simultaneously, and (II) training on a uniformly translated English dataset yields better results than using the original dataset. The code is available at: https://github.com/BGWH123/Semeval-2025-task11.
• Abstract（参考訳）: 本稿では,YNU-HPCCチームによるタスク11のサブタスクAへの参加について述べる。 本システムでは,Transformer エンコーダアーキテクチャを利用した BERT の改良版である RoBERTa (Robustly Optimized BERT Approach) を採用している。 モデルが1つの感情を同時に処理できるように出力ヘッドを拡張した。 全言語からの公式ランキングスコア (0.44) を得た。 データセット全体がGoogle Translateを使用して英語に翻訳され、その後の処理が容易になった。 確率的, 注意的分析により, (I) 単一予測ヘッドは6つの感情を同時に予測する6つの頭部より優れており, (II) 英文データセットのトレーニングにより, 元のデータセットよりも優れた結果が得られることがわかった。 コードはhttps://github.com/BGWH123/Semeval-2025-task11で公開されている。

関連論文リスト

• HABIB_TAZ at SemEval-2026 Task 11: Disentangling Formal Logic from Content via Synthetic Training and Multi-Objective Optimization [0.0]
  本システムでは,12言語にまたがるコンテントから形式論理を解き放つモデルの有効性を評価する。 本課題は、合成規則に基づくシロメトリクススキームのデータセットに基づいて、mDeBERTa-v3ネットワークを微調整して解決する。 トレーニングパイプラインでは,適応群分散ロバスト最適化(DRO),スケジュール付き微分バイアスペナルティ,KL-ダイバージェンス整合正則化を組み合わせた多目的損失関数を用いる。
  論文  参考訳（メタデータ） (2026-07-15T20:24:26Z)
• From Insight to Action: A Novel Framework for Interpretability-Guided Data Selection in Large Language Models [73.72877445629383]
  Interpretability-Guided Data Selection (IGDS) は、まず周波数リコールと干渉フィルタリングによって因果タスクの特徴を識別するフレームワークである。 我々は,数学的推論,要約,翻訳タスクに関するIGDSをGemma-2,LLaMA-3.1,Qwen3モデルで検証する。
  論文  参考訳（メタデータ） (2026-04-28T03:16:24Z)
• SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection [76.18321723846616]
  タスクは7つの異なる言語ファミリーから30以上の言語をカバーしている。 データインスタンスは6つの感情クラスでマルチラベルされており、感情の強さに注釈を付けた11言語にデータセットが追加されている。 参加者は, (a) マルチラベル感情検出, (b) 感情強度スコア検出, (c) 言語間感情検出の3つのトラックでラベルの予測を依頼された。
  論文  参考訳（メタデータ） (2025-03-10T12:49:31Z)
• LuxVeri at GenAI Detection Task 1: Inverse Perplexity Weighted Ensemble for Robust Detection of AI-Generated Text across English and Multilingual Contexts [0.8495482945981923]
  本稿では,AI生成コンテンツの検出に関するコリング2025ワークショップのタスク1のために開発されたシステムについて述べる。 提案手法では,各モデルの逆パープレキシティに応じて重みが割り当てられたモデルのアンサンブルを利用して,分類精度を向上させる。 本研究は, 単言語と多言語の両方において, 機械によるテキスト検出の堅牢性を向上させるために, 逆パープレキシティ重み付けの有効性を示すものである。
  論文  参考訳（メタデータ） (2025-01-21T06:32:32Z)
• Advancing Text-to-GLOSS Neural Translation Using a Novel Hyper-parameter Optimization Technique [0.0]
  この研究は、ニューラルネットワーク翻訳生成GLOSSの精度と頻度を改善することを目的としている。 PHOENIX14Tデータセットで実施された実験では、最適なトランスフォーマーアーキテクチャが、同じデータセットでの以前の作業よりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2023-09-05T11:59:31Z)
• Strategies for improving low resource speech to text translation relying on pre-trained ASR models [59.90106959717875]
  本稿では,テキスト翻訳(ST)における低音源音声の性能向上のための技術と知見について述べる。 本研究は,英語とポルトガル語,タマシェク語とフランス語の2つの言語対について,シミュレーションおよび実低資源設定について実験を行った。
  論文  参考訳（メタデータ） (2023-05-31T21:58:07Z)
• HULAT at SemEval-2023 Task 9: Data augmentation for pre-trained transformers applied to Multilingual Tweet Intimacy Analysis [1.4213973379473652]
  本稿では,SemEval-2023 Task 9, Intimacy Analysis of Multilingual Tweetsについて述べる。 トレーニングデータセットと、異なるデータ拡張技術によって生成された合成データにより、最も人気のあるトランスフォーマーモデルを微調整する。 その結果,ポルトガル語,英語,オランダ語などの言語で有望な結果が得られた。
  論文  参考訳（メタデータ） (2023-02-24T18:10:37Z)
• Graphix-T5: Mixing Pre-Trained Transformers with Graph-Aware Layers for Text-to-SQL Parsing [56.232873134174056]
  テキストからテキストへのパースにおける大きな課題の1つはドメインの一般化である。 そこで本研究では,テキスト・トゥ・テキスト・パーシングのための特殊なコンポーネントを備えた事前学習されたテキスト・ツー・テキスト・トランスフォーマー・モデルをさらに強化する方法について検討する。 この目的のために,レイヤを持つグラフ認識モデルによって拡張された新しいアーキテクチャ GRAPHIX-T5 を提案する。
  論文  参考訳（メタデータ） (2023-01-18T13:29:05Z)
• BJTU-WeChat's Systems for the WMT22 Chat Translation Task [66.81525961469494]
  本稿では,WMT'22チャット翻訳タスクに対して,北京地東大学とWeChat AIを共同で提案する。 Transformerに基づいて、いくつかの有効な変種を適用します。 本システムでは,0.810と0.946のCOMETスコアを達成している。
  論文  参考訳（メタデータ） (2022-11-28T02:35:04Z)
• N-Best Hypotheses Reranking for Text-To-SQL Systems [6.966624873109535]
  Text-to-Taskは自然言語の発話を構造化クエリにマッピングする。 最先端のSOTA(State-of-the-art)システムは、大規模で訓練済みの言語モデルに頼っている。 発見は、再ランク付けによる潜在的な大幅な改善を示している。
  論文  参考訳（メタデータ） (2022-10-19T15:35:06Z)
• ConvBERT: Improving BERT with Span-based Dynamic Convolution [144.25748617961082]
  BERTはグローバルな自己保持ブロックに大きく依存しているため、大きなメモリフットプリントと計算コストに悩まされる。 そこで本研究では,これらの自己注意型ヘッドを置き換え,局所的依存関係を直接モデル化する,スパンベースの動的畳み込みを提案する。 新たな畳み込み頭は、他の自己注意頭と共に、グローバルな文脈学習とローカルな文脈学習の両方においてより効率的である、新しい混合注意ブロックを形成する。
  論文  参考訳（メタデータ） (2020-08-06T07:43:19Z)

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。