論文の概要: Robust Marathi Sentiment Analysis using Domain-Adaptive Pre-training and Data Augmentation Approaches

• arxiv url: http://arxiv.org/abs/2610.15761v1
• Date: Sun, 11 Oct 2026 16:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 16:45:49.855531
• Title: Robust Marathi Sentiment Analysis using Domain-Adaptive Pre-training and Data Augmentation Approaches
• Title（参考訳）: ドメイン適応型事前学習とデータ拡張アプローチを用いたロバストマラソン知覚分析
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.584263027095689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For languages with limited resources, Sentiment Analysis remains a challenging problem due to limited annotated data and strong domain variability across textual sources. Marathi, despite being widely spoken, lacks extensive multi-domain sentiment analysis studies. Recent efforts by L3Cube have introduced multi-domain datasets in Marathi, enabling a better study of domain-aware sentiment classification. This study uses the pretrained MahaBERT model to improve sentiment classification for Marathi across different domains. Models are trained on individual domain datasets and domain-adaptive pretraining is applied using masked language modeling to help the model better understand domain-specific language. In addition, back-translation is used as a method of data augmentation to increase the diversity of training data. Results show that these methods lead to consistent improvements in accuracy across all domains. The improvements range from a minimum of about 0.12% to a maximum of about 1.74%, depending on the dataset. These results demonstrate that domain-adaptive pretraining and data augmentation are effective strategies for improving sentiment analysis models. This helps achieve more robust performance across different domains and makes the approach more suitable for low-resource languages like Marathi.
• Abstract（参考訳）: 限られたリソースを持つ言語にとって、Sentiment Analysisは、限られたアノテーション付きデータと、テキストソース間の強いドメイン変動のため、依然として難しい問題である。 マラティは広く話されているにもかかわらず、広範囲にわたるマルチドメインの感情分析研究を欠いている。 L3Cubeの最近の取り組みは、マルチドメインデータセットをマラソンに導入し、ドメイン認識の感情分類のより良い研究を可能にしている。 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。 モデルは個々のドメインデータセットに基づいてトレーニングされ、ドメイン適応型事前トレーニングは、モデルがドメイン固有の言語をよりよく理解するためにマスク付き言語モデリングを使用して適用されます。 さらに、トレーニングデータの多様性を高めるために、データ拡張の方法としてバックトランスレーションが使用される。 その結果、これらの手法は全ての領域で一貫した精度の向上につながることが示された。 改善はデータセットによって、最低0.12%から最大1.74%まで変化している。 これらの結果は、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を示している。 これにより、さまざまなドメインでより堅牢なパフォーマンスを実現し、Marathiのような低リソース言語にアプローチをより適させることができます。

関連論文リスト

• Enhancing Zero-Shot Domain Transfer in Low-Resource Sentiment Analysis: A Case Study in Marathi [2.7725161329847547]
  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。
  論文  参考訳（メタデータ） (2026-10-11T16:38:20Z)
• DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
  大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。 学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。 同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
  論文  参考訳（メタデータ） (2025-04-17T13:09:38Z)
• Commute Your Domains: Trajectory Optimality Criterion for Multi-Domain Learning [50.80758278865274]
  マルチドメイン学習では、共有知識を活用し、一般化を改善するために、多様なデータドメインで単一のモデルを訓練する。 これらのドメインからのデータがトレーニングに使用される順序は、各ドメインにおけるモデルの性能に大きく影響します。 勾配ベクトル場のリーブラケットの概念を用いたマルチドメイン学習における訓練順序(またはデータ混合)の影響について検討する。
  論文  参考訳（メタデータ） (2025-01-26T15:12:06Z)
• Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition [1.2878987353423252]
  シーンテキスト認識(STR)において、教師なしドメイン適応(UDA)がますます普及している。 本稿では,StrDA(Stratified Domain Adaptation)アプローチを導入し,学習プロセスにおける領域ギャップの段階的エスカレーションについて検討する。 本稿では,データサンプルの分布外および領域判別レベルを推定するために,領域判別器を用いる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T16:40:48Z)
• 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)
• 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)
• Dynamic Data Selection and Weighting for Iterative Back-Translation [116.14378571769045]
  本稿では,反復的バックトランスレーションモデルのためのカリキュラム学習戦略を提案する。 我々は、ドメイン適応、低リソース、高リソースMT設定に関するモデルを評価する。 実験の結果,提案手法は競争基準値よりも最大1.8 BLEU点の改善を達成できた。
  論文  参考訳（メタデータ） (2020-04-07T19:49:58Z)
• Multi-Source Domain Adaptation for Text Classification via DistanceNet-Bandits [101.68525259222164]
  本研究では,NLPタスクのコンテキストにおいて,サンプル推定に基づく領域間の相違を特徴付ける様々な距離ベース尺度について検討する。 タスクの損失関数と協調して最小化するために,これらの距離測度を付加的な損失関数として用いるディスタンスネットモデルを開発した。 マルチアーム・バンド・コントローラを用いて複数のソース・ドメインを動的に切り替えるDistanceNet-Banditモデルに拡張する。
  論文  参考訳（メタデータ） (2020-01-13T15:53:41Z)

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。