論文の概要: Enhancing Sentiment Classification on Small Datasets through Data Augmentation and Transfer Learning

• arxiv url: http://arxiv.org/abs/2610.41518v1
• Date: Fri, 30 Oct 2026 10:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.679401
• Title: Enhancing Sentiment Classification on Small Datasets through Data Augmentation and Transfer Learning
• Title（参考訳）: データ拡張と伝達学習による小さなデータセットの知覚分類の強化
• Abstract要約: 本研究は, 簡易データ拡張(EDA), バックトランスレーション, コンテキストトークン置換(nlpaug-style)の3つの方法の有効性を評価し, 比較する。 以上の結果から,すべての拡張手法が性能を向上させることが示唆された。 これらの洞察は、モデルタイプとデータセットサイズに合わせたデータ拡張テクニックの選択のガイドとなり、小さなデータセットに対する感情分類のためのデータ拡張の研究における重要なギャップを埋める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small-scale sentiment classification often suffers from data scarcity, which limits the generalization ability of the models. This study evaluates and compares the effectiveness of three data augmentation strategies: Easy Data Augmentation (EDA), back-translation, and contextual token substitution (nlpaug-style), with both traditional machine learning classifiers (Logistic Regression, Random Forest) and transformer-based models (BERT). We perform a comprehensive empirical comparison with low-resource sentiment datasets by summarizing the results of recent studies and performing targeted head-to-head experiments. Our findings indicate that all augmentation methods improve performance. Contextual augmentation yields the most consistent gains for BERT models, while EDA and back-translation provide greater benefits for traditional classifiers. These insights help guide the selection of data augmentation techniques tailored to model type and dataset size, filling a critical gap in research on data augmentation for sentiment classification on small datasets.
• Abstract（参考訳）: 小規模な感情分類は、しばしばデータの不足に悩まされ、モデルの一般化能力を制限する。 本研究では、従来の機械学習分類器(ロジスティック回帰、ランダムフォレスト)と変換器ベースモデル(BERT)の併用により、EDA(Easy Data Augmentation)、バックトランスレーション(back-translation)、コンテキストトークン置換(nlpaug-style)の3つのデータ拡張戦略の有効性を評価し、比較する。 我々は,近年の研究成果を要約し,目標とする頭部実験を行うことにより,低リソースの感情データセットと総合的な比較を行う。 以上の結果から,すべての拡張手法が性能を向上させることが示唆された。 コンテキスト拡張はBERTモデルにとって最も一貫した利益をもたらすが、EDAとバックトランスレーションは従来の分類器により大きな利益をもたらす。 これらの洞察は、モデルタイプとデータセットサイズに合わせたデータ拡張テクニックの選択のガイドとなり、小さなデータセットに対する感情分類のためのデータ拡張の研究における重要なギャップを埋める。

関連論文リスト

• Sequential Data Augmentation for Generative Recommendation [54.765568804267645]
  生成的レコメンデーションはパーソナライズされたシステムにおいて重要な役割を担い、ユーザの将来のインタラクションを過去の行動シーケンスから予測する。 データ拡張(Data augmentation)は、ユーザインタラクション履歴からトレーニングデータを構築するプロセスである。 我々は、サンプリングプロセスとして拡張をモデル化し、その結果のトレーニング分布の柔軟な制御を可能にする、原則化されたフレームワークであるGenPASを提案する。 ベンチマークと産業データセットを用いた実験により、GenPASは既存の戦略よりも精度、データ効率、パラメータ効率が優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-17T02:53:25Z)
• Optimizing Small Transformer-Based Language Models for Multi-Label Sentiment Analysis in Short Texts [4.166512373146747]
  短文の感情分類における小さなトランスフォーマーモデルの有効性を評価する。 データを拡張することで分類性能が向上するのに対し、拡張データセットの事前トレーニングは精度を向上するよりもノイズを発生させる可能性があることを示す。
  論文  参考訳（メタデータ） (2025-09-05T10:08:14Z)
• A Comprehensive Survey on Data Augmentation [57.8664583059197]
  データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する一連のテクニックである。 本調査では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。 統一的帰納的アプローチにより、5つのデータモダリティにまたがるデータ拡張手法を分類する。
  論文  参考訳（メタデータ） (2024-05-15T11:58:08Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
  G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。 G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。 分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
  論文  参考訳（メタデータ） (2020-04-24T06:12:10Z)

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。