論文の概要: Polarity Classification with Multitask Learning Syntax Augmentation

• arxiv url: http://arxiv.org/abs/2611.08323v1
• Date: Thu, 05 Nov 2026 17:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.594632
• Title: Polarity Classification with Multitask Learning Syntax Augmentation
• Title（参考訳）: マルチタスク学習構文拡張を用いた極性分類
• Abstract要約: 本稿では、構文知識をニューラル感情分析モデルに統合するための2つの戦略を提案し、比較する。 最初のStandard-MTLは、2つのタスク固有の頭を持つ共有エンコーダを用いて(シーケンスラベリングを介して)依存性解析と感情極性分類を共同で学習する。 第2のContrastive-MTLは、対照的な補助目的と構文バイアスによるアテンションプール機構を通じて暗黙の統語指導を提供する。
• 参考スコア（独自算出の注目度）: 7.24203381433363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sentiment Analysis (SA) is a fundamental NLP task concerned with the identification and categorization of subjective information in text. While lexicon-based methods offer transparency, they often struggle with linguistic phenomena such as negation and intensification. Syntactic parsing has been integrated into SA pipelines to address this, but conventional parsers introduce significant computational overhead. Recent work shows that reformulating dependency parsing as a Sequence Labeling (SEL) task can improve efficiency. We propose and compare two strategies for integrating syntactic knowledge into a neural sentiment analysis model under unified Multi-Task Learning (MTL). The first, Standard-MTL, jointly learns dependency parsing (via sequence labeling) and sentiment polarity classification using a shared encoder with two task-specific heads. The second, Contrastive-MTL, provides implicit syntactic guidance through a contrastive auxiliary objective and a syntax-biased attention pooling mechanism, without requiring explicit label prediction. Both rely on syntactic annotations during training and eliminate need for hand-crafted compositional rules or external parsing at inference. We evaluate eleven datasets spanning seven languages---the MARC corpus (English, Spanish, French, German) and seven datasets from SemEval-2022 Task 10 (English, Spanish, Norwegian, Basque, Catalan)---using four established SEL encodings. With the relative encoding, Contrastive-MTL outperforms a syntax-naive baseline on 10 of 11 datasets and surpasses the external rule-based pipeline (SELSP) that parses at inference on all six datasets where the latter applies, while being 1.5--9$\times$ faster at evaluation. Standard-MTL is more dataset- and encoding-dependent. These results show implicit syntactic supervision during training can match or exceed explicit parsing at inference without computational overhead.
• Abstract（参考訳）: 感性分析(SA)は、テキスト中の主観的情報の識別と分類に関する基本的なNLPタスクである。 辞書に基づく手法は透明性を提供するが、否定や強化といった言語現象に苦しむことが多い。 構文解析はSAパイプラインに統合されてこの問題に対処しているが、従来の構文解析では計算オーバーヘッドが非常に大きい。 最近の研究は、SEL(Sequence Labeling)タスクとして依存関係解析を再構築することで効率が向上することを示している。 我々は,MTL(Multi-Task Learning)の下で,構文知識をニューラル感情分析モデルに統合するための2つの戦略を提案し,比較する。 最初のStandard-MTLは、2つのタスク固有の頭を持つ共有エンコーダを用いて(シーケンスラベリングを介して)依存性解析と感情極性分類を共同で学習する。 第2のContrastive-MTLは、明示的なラベル予測を必要とせず、対照的な補助目的と構文バイアスによるアテンションプーリング機構を通じて暗黙的な統語指導を提供する。 どちらもトレーニング中の構文アノテーションに依存しており、手作りの合成規則や推論時の外部解析の必要性を排除している。 MARCコーパス(英語、スペイン語、フランス語、ドイツ語)とSemEval-2022 Task 10(英語、スペイン語、ノルウェー語、バスク語、カタルーニャ語)の7つのデータセットを4つの確立されたSELエンコーディングを用いて評価した。 相対符号化により、Contrastive-MTLは11データセット中10データセットで構文解析ベースラインを上回り、外部ルールベースのパイプライン(SELSP)を上回り、後者が適用される6データセットすべてで推論を解析し、評価は1.5-9$\times$高速になる。 Standard-MTLはデータセットに依存し、エンコーディングに依存している。 これらの結果から、学習中の暗黙的な統語指導は、計算オーバーヘッドを伴わずに推論時の明示的な解析と一致または超えうることが示された。

関連論文リスト

• Explainable Semantic Textual Similarity via Dissimilar Span Detection [53.32175252285023]
  テキストのペア間で意味的に異なるスパンを識別することを目的として,DSD(Dissimilar Span Detection)タスクを導入する。 これにより、ユーザーはどの特定の単語やトークンが類似度スコアに悪影響を及ぼすかを理解したり、STS依存のダウンストリームタスクのパフォーマンス向上に使用することができる。
  論文  参考訳（メタデータ） (2026-03-22T11:32:31Z)
• Beyond Linear LLM Invocation: An Efficient and Effective Semantic Filter Paradigm [17.52767415071768]
  Clustering-Sampling-Voting(CSV)は、エラー保証を提供しながら、呼び出しをサブ線形の複雑さに還元するフレームワークである。 CSVはセマンティッククラスタをセマンティッククラスタに組み込み、評価のために小さなサブセットをサンプリングし、2つの投票戦略を通じてクラスタレベルのラベルを推論する。
  論文  参考訳（メタデータ） (2026-03-05T04:37:15Z)
• TIT: A Tree-Structured Instruction Tuning Approach for LLM-Based Code Translation [11.882496324328905]
  LLMに基づくコード翻訳のためのツリー構造化命令チューニングパラダイムであるTITを提案する。 構文的混乱を軽減するため、構文的情報表現モジュールは言語に依存しない構文的特徴を統合する。 高品質の粒度並列データを生成するために、細粒度並列データセット拡張モジュールは、ノードとコードセグメントを整列する。
  論文  参考訳（メタデータ） (2025-10-10T13:53:46Z)
• Leveraging Code to Improve In-context Learning for Semantic Parsing [48.66031267718704]
  In-context Learning (ICL) は、その少数ショットの性質と一般化の改善により、意味解析に魅力的なアプローチである。 我々は,(1)DSLの代わりにPythonなどの汎用プログラミング言語を用いた意味解析におけるICLの有効性を向上し,(2)ドメイン記述を構造化したプロンプトを増強する。
  論文  参考訳（メタデータ） (2023-11-16T02:50:06Z)
• mCL-NER: Cross-Lingual Named Entity Recognition via Multi-view Contrastive Learning [54.523172171533645]
  CrossNERは多言語コーパスの不足により不均一な性能から生じる課題に直面している。 言語横断的名前付きエンティティ認識(mCL-NER)のためのマルチビューコントラスト学習を提案する。 40言語にまたがるXTREMEベンチマーク実験では、従来のデータ駆動型およびモデルベースアプローチよりもmCL-NERの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-08-17T16:02:29Z)
• CROP: Zero-shot Cross-lingual Named Entity Recognition with Multilingual Labeled Sequence Translation [113.99145386490639]
  言語間NERは、整列した言語間表現や機械翻訳結果を通じて、言語間で知識を伝達することができる。 ゼロショット言語間NERを実現するために,クロスランガル・エンティティ・プロジェクション・フレームワーク(CROP)を提案する。 多言語ラベル付きシーケンス翻訳モデルを用いて、タグ付けされたシーケンスをターゲット言語に投影し、ターゲットの原文にラベル付けする。
  論文  参考訳（メタデータ） (2022-10-13T13:32:36Z)
• Truth Discovery in Sequence Labels from Crowds [12.181422057560201]
  Amazon Mechanical Turk (AMT)のようなクラウドソーシングプラットフォームは、この目的のためにデプロイされている。 アノテーションアグリゲーションにおける既存の文献は、アノテーションは独立しており、シーケンシャルなラベルアグリゲーションタスクを扱う際の課題に直面していると仮定している。 逐次ラベリングタスクにおいて,作業者が提供するアノテーションを用いて,真理ラベルを推測する最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-09-09T19:12:13Z)
• ERICA: Improving Entity and Relation Understanding for Pre-trained Language Models via Contrastive Learning [97.10875695679499]
  そこで本研究では, ERICA という新たなコントラスト学習フレームワークを提案し, エンティティとその関係をテキストでより深く理解する。 実験の結果,提案する erica フレームワークは文書レベルの言語理解タスクにおいて一貫した改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:35:22Z)

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。