論文の概要: GCUL: Ambiguity Identification in Text Emotion Classification via Cluster-Guided Learning

• arxiv url: http://arxiv.org/abs/2609.29327v1
• Date: Thu, 24 Sep 2026 10:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.826193
• Title: GCUL: Ambiguity Identification in Text Emotion Classification via Cluster-Guided Learning
• Title（参考訳）: GCUL:クラスタガイド学習によるテキスト感情分類における曖昧性同定
• Abstract要約: 幾何誘導型選択分類フレームワークとしてガイドクラスタリングに基づく不確かさ学習(GCUL)を提案する。 GCULは、表現空間における潜在的な混乱を引き付けるものとして、誤分類および曖昧なインスタンスを識別する。 DistilBERTの精度は89.37パーセントから94.98パーセントに改善され、9%以下である。
• 参考スコア（独自算出の注目度）: 4.478528422736738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selective classification enables a model to abstain from predictions on uncertain instances, but existing approaches typically reject them through confidence scores, predefined coverage constraints or instance-level distance measures. These approaches may overlook the collective geometric structure of difficult samples in learned representation spaces. We propose Guided Clustering-based Uncertain Learning (GCUL), a geometric-guided selective classification framework that identifies misclassified and ambiguous instances as a potential confusion attractor in the representation space. GCUL uses a three-phase procedure to initialize, cluster, and explicitly relabel this uncertain region, allowing the rejection boundary to emerge from the underlying representation geometry rather than from a prescribed rejection rate. We further derive a selectivity score and a geometric sufficient condition that characterizes when rejection can provide positive operational utility, enabling pre-deployment feasibility assessment. GCUL improves DistilBERT accuracy from 89.37 percent to 94.98 percent with less than 9 percent rejection. Beyond accuracy, our selectivity score correctly pre-detects the only dataset (GoEmotion) where all baselines fail, and controlled simulations yield 6.1 percent Type-I and 0 percent Type-II errors, validating the sufficient condition's conservatism. These results suggest that collective representation geometry provides a useful alternative perspective for selective prediction.
• Abstract（参考訳）: 選択的分類は、モデルが不確実なインスタンスの予測を棄却することを可能にするが、既存のアプローチは通常、信頼度スコア、事前定義されたカバレッジ制約、インスタンスレベルの距離測定を通じてそれらを拒否する。 これらのアプローチは、学習された表現空間における難しいサンプルの集合幾何学的構造を見渡すことができる。 本稿では,クラスタリングをベースとした不確実性学習(GCUL)を提案する。 GCULはこの不確実な領域を初期化し、クラスタ化し、明示的に緩和するために3段階の手順を使用しており、拒絶境界は所定の拒絶率からではなく、下層の表現幾何学から現れる。 さらに,拒絶が肯定的な操作性を提供できる場合に特徴付ける,選択性スコアと幾何的十分条件を導出し,事前デプロイ実現可能性の評価を可能にする。 GCUL は DistilBERT の精度を89.37% から94.98% に改善し、9% 以下である。 精度を超えて、我々の選択スコアは、すべてのベースラインが失敗する唯一のデータセット(GoEmotion)を正しく検出し、制御されたシミュレーションは6.1%のType-Iと0のType-IIエラーを生成し、十分な条件の保存性を検証する。 これらの結果は、集合表現幾何学が選択的予測に有用な代替的視点を提供することを示唆している。

関連論文リスト

• Intrinsic Sequence-Likelihood Confidence in Retrieval-Dominated Extractive QA: Two Pre-Specified Negatives, and What They Do and Do Not Attribute [0.4310167974376404]
  オープン言語モデルを微調整すると、自身の信頼度が誘引制御信号であるモデルが得られる。 我々は,実行前の基準下での両使用量を評価した。 検索だけで92-99.8%のベストケースの組み合わせ精度が回復する。
  論文  参考訳（メタデータ） (2026-09-17T09:17:00Z)
• Predictive Memory Localization: Forecasting Selective Intervention Paths from Internal Signals [4.075831906880532]
  本稿では,PML(Predictive Memory Localization)を導入し,メモリローカライゼーションの予測対象として計測グリッド介入経路を取り扱う。 PMLは、ランダムキャリブレーションされた目標運動を、セマンティック近傍と能力的損傷から分離し、静的な局在化と教師あり幾何を、強度に相反する低線量因果応答と比較する。 3つの残留ノルムマッチングベースモデル全体で、学習方向は選択的パスゲインを保持し、低線量応答は0.801-0.828レコード保持マクロAUROCを生成する。
  論文  参考訳（メタデータ） (2026-08-13T07:23:32Z)
• Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization [64.83565413108789]
  サイクル自己学習(CST)は、標準自己学習フレームワークの共有分類器の仮定を破る。 CSTは、ターゲットの擬似ラベルでトレーニングすることで、ラベルなしのターゲットデータを悪用する。
  論文  参考訳（メタデータ） (2026-06-30T09:05:30Z)
• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Learning When to Say "I Don't Know" [0.5505634045241288]
  本稿では,決定空間における不確実性領域を識別・除去するリジェクトオプション分類手法を提案する。 そこで我々は,相補的拒絶領域を解析し,クラスごとのソフトマックス閾値を学習するための検証セットを用いることにより,代替的な定式化を検討する。 提案手法の利点を,2次元点,画像,テキスト分類データセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-09-11T21:50:03Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
  実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。 我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
  論文  参考訳（メタデータ） (2022-05-28T02:59:05Z)
• Selective Regression Under Fairness Criteria [30.672082160544996]
  少数派集団のパフォーマンスは、カバー範囲を減らしながら低下する場合もある。 満足度基準を満たす特徴を構築できれば、そのような望ましくない行動は避けられることを示す。
  論文  参考訳（メタデータ） (2021-10-28T19:05:12Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)

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。