論文の概要: Enhancing Zero-Shot Domain Transfer in Low-Resource Sentiment Analysis: A Case Study in Marathi

• arxiv url: http://arxiv.org/abs/2610.15757v1
• Date: Sun, 11 Oct 2026 16:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 16:46:50.443874
• Title: Enhancing Zero-Shot Domain Transfer in Low-Resource Sentiment Analysis: A Case Study in Marathi
• Title（参考訳）: 低リソース感性分析におけるゼロショットドメイン転送の促進:マラタイを事例として
• Abstract要約: 本研究では,マルチドメイントレーニングが未確認マラチドメインの感情分類をどのように改善するかを検討する。 2ドメイントレーニングは、単ドメイントレーニングと比較して、未確認ドメインの精度を約8%向上させる。 第三のドメインを追加することでさらに改善されるが、利益は小さく、いくつかのドメインでは平均2%程度になる。
• 参考スコア（独自算出の注目度）: 2.7725161329847547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sentiment analysis is a key task in Natural Language Processing that determines the polarity of opinions in text. For low-resource languages like Marathi--where limited data prevents the direct use of standard statistical methods--models are often trained on single-domain datasets. While this yields strong in-domain performance, it leads to poor generalization to unseen domains. Recent studies highlight the need for domain-robust systems that can handle diverse real-world content through multi-domain modeling. This study investigates how multi-domain training improves sentiment classification for unseen Marathi domains. Models are trained using single-domain, two-domain, and three-domain dataset combinations. Results show that two-domain training improves accuracy on unseen domains by about 8\% compared to single-domain training. Adding a third domain provides further improvement, though the gain is smaller, averaging around 2\% for some domains. These results suggest that training with data from multiple domains helps build more robust sentiment analysis models for low-resource languages, though the benefits reduce as more domains are added.
• Abstract（参考訳）: 感性分析は、テキストにおける意見の極性を決定する自然言語処理における重要なタスクである。 Marathiのような低リソースの言語では、制限されたデータが標準統計メソッドを直接使用するのを防ぐ。 これはドメイン内での強いパフォーマンスをもたらすが、目に見えないドメインへの一般化が不十分になる。 近年の研究では、マルチドメイン・モデリングにより様々な現実世界のコンテンツを扱うドメイン・ロバスト・システムの必要性が強調されている。 本研究では,マルチドメイントレーニングが未確認マラチドメインの感情分類をどのように改善するかを検討する。 モデルは、単一ドメイン、2ドメイン、3ドメインのデータセットの組み合わせを使用してトレーニングされる。 その結果、2ドメイントレーニングは、単ドメイントレーニングと比較して、未確認領域の精度を約8倍改善することがわかった。 第三のドメインを追加することでさらに改善されるが、利益は小さく、いくつかのドメインでは平均で2倍程度になる。 これらの結果は、複数のドメインからのデータをトレーニングすることで、低リソース言語に対するより堅牢な感情分析モデルを構築するのに役立つことを示唆している。

関連論文リスト

• Robust Marathi Sentiment Analysis using Domain-Adaptive Pre-training and Data Augmentation Approaches [2.584263027095689]
  本研究は,マラタイの感情分類を改善するために,事前学習したMahaBERTモデルを用いている。 その結果、ドメイン適応型事前学習とデータ拡張が感情分析モデルの改善に有効な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2026-10-11T16:40:55Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• M2D2: A Massively Multi-domain Language Modeling Dataset [76.13062203588089]
  ドメイン適応(LM)を研究するための細粒度多ドメインコーパスM2D2を提案する。 ウィキペディアとArXivから派生したカテゴリを用いて、各データソース内のドメインを22のグループに分類する。 我々は、LMをドメイン階層に沿って適用することの利点を示し、より少量のドメイン固有のデータに適応することで、ドメイン内のパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2022-10-13T21:34:52Z)
• Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
  生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。 計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:09:29Z)
• Learning to Share by Masking the Non-shared for Multi-domain Sentiment Classification [24.153584996936424]
  テキストからドメイン関連語を明示的にマスキングし,これらのドメインに依存しないテキストからドメイン不変感の特徴を学習し,それらのマスキング語を用いてドメイン認識文表現を形成するネットワークを提案する。 適応度の高い複数領域感情分類データセットの実証実験により,提案モデルの有効性が実証された。
  論文  参考訳（メタデータ） (2021-04-17T08:15:29Z)
• Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
  モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。 ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。 実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
  論文  参考訳（メタデータ） (2021-03-19T01:22:12Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)

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。