《论文阅读》带边界调整的联合约束学习用于情感原因对提取 ACL 2023

已于 2024-03-20 16:16:34 修改
阅读量463 收藏
点赞数
分类专栏： 组会论文 NLP 情绪原因挖掘 文章标签： 论文阅读 情绪原因 联合约束 情绪原因提取 ECPC 边界调整
于 2024-03-20 16:16:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44833392/article/details/136868266
版权
NLP 同时被 3 个专栏收录
89 篇文章 53 订阅 ¥29.90 ¥99.00
订阅专栏
组会论文
31 篇文章 13 订阅 ¥29.90 ¥99.00
订阅专栏
情绪原因挖掘
5 篇文章 0 订阅
订阅专栏
本文介绍了一种针对情绪原因对提取的联合约束学习方法，结合边界调整策略，解决数据不平衡问题。通过引入三种约束损失，改善模型学习表示，同时利用情感分类器的优势调整决策边界，提升情绪原因对的预测准确率。
摘要由CSDN通过智能技术生成

《论文阅读》带边界调整的联合约束学习用于情感原因对提取

前言

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~
无抄袭，无复制，纯手工敲击键盘~

今天为大家带来的是《Joint Constrained Learning with Boundary-adjusting for Emotion-Cause Pair Extraction》

在这里插入图片描述

出版：ACL

时间：2023

类型：情绪原因对提取

关键词：联合约束学习；边界调整；情绪；原因；

作者：Huawen Feng, Junlong Liu等

第一作者机构：School of Computer Science and Engineering, South China University of Technology, Guangzhou, China

简介

了解本专栏 订阅专栏 解锁全文
365JHWZGo
关注
专栏目录
订阅专栏
大语言模型原理与应用实践：基于监督学习进行微调 Supervised Learning & Fine-Tuning
AI天才研究院
06-25 370
近年来，随着深度学习技术的快速发展，大规模语言模型(Large Language Models, LLMs)在自然语言处理(Natural Language Processing, NLP)领域取得了巨大的突破。这些大语言模型通过在海量无标签文本数据上进行预训练，学习到了丰富的语言知识和常识，可以通过少量的有标签样本在下游任务上进行微调(Fine-Tuning)，获得优异的性能。其中最具代表性的大模型包括OpenAI的GPT系列模型、Google的BERT、T5等。
情感原因识别相关论文整理
qianqiangediaoLM的博客
03-16 911
情感原因提取paper总结
ACL2023：LLM相关论文总结
weixin_52171642的博客
07-17 2278
上下文学习（ICL）通过在推理时简单地演示少量的例子来提高语言模型在各种NLP任务中的表现。人们对ICL能力出现的原因不是很了解，因为模型从来没有在这种演示上进行过专门的训练。与之前探索ICL背后的隐性机制的工作不同，我们通过调查预训练数据来研究ICL。具体来说，我们首先采用一种迭代的、基于梯度的方法来寻找支持ICL的一小部分预训练数据。我们观察到，在这个小的子集上继续进行预训练可以显著提高模型的ICL能力，提高幅度高达18%。
2023无监督摘要顶会论文合集
定期分享我的发现和想法，感谢你的陪伴和支持
07-19 6565
这篇博文梳理各篇文章的主要脉络，初步标注后期深入学习的思路和板块 问题+动机+解决问题的方法 前言：查找了近三年顶刊中【文本摘要】的所有论文，并根据论文名字 & 摘要进行了初步归类，现在看看无监督的论文，留个初步印象 （dblp中好像不能二次检索？不好分期刊查找论文）
论文阅读笔记（二）【ACL2021】知识抽取NER
qq_35222729的博客
07-29 4526
学习内容 由于刚刚进入知识图谱领域，对该领域的研究热点不是很了解，所以本文直接翻译ACL2021中关于知识抽取NER中各个论文的摘要和共享； 并且适时在最后写出自己的理解； 同时自己也会在了解完全部后给出各个论文的研究分类。 1. 题目： Improving Named Entity Recognition by External Context Retrieving and Cooperative Learning（利用外部上下文检索和合作学习改进命名实体识别） Abstract 命名实体识别（NER
论文泛读记录(多模情感分析/探测；厌恶语音探测；属性级情感分析；CVPR2022和ACL2022 三元组/对比学习/视觉语言预训练/机器翻译/预训练模型/机器阅读理解)
weixin_42455006的博客
05-16 1667
1.1 CTFN: Hierarchical Learning for Multimodal Sentiment Analysis Using Coupled-Translation Fusion Network Jiajia Tang, Kang Li, Xuanyu Jin, Andrzej Cichocki, Qibin Zhao and Wanzeng Kong 1.2 Multimodal Sentiment Detection Based on Multi-channel Graph Neura
知识图谱顶会论文(ACL-2022) CAKE：用于多视图KGC的可扩展常识感知框架
CJK's Blog
10-04 1560
知识图谱顶会论文(ACL-2022) CAKE：用于多视图KGC的可扩展常识感知框架 CAKE：Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion
Efficient Large-Scale Multi-Modal Classification 多模态学习论文阅读
一个nlp探险者的博客
07-02 1919
引言 多模态问题我们应该不会陌生。 Efficient Large-Scale Multi-Modal Classification（AAAI2018） 摘要 早期的互联网主要是基于文本的，但现代数字世界正变得越来越多模式。这里，我们研究多模态分类，其中一个模态是离散的，例如文本；而另一个是连续的，例如从卷积神经网络传输的视觉表示。我们关注的场景是，我们必须能够快速地对大量数据进行分类。研究了实现多模态融合的各种方法，并分析了它们在分类精度和计算效率方面的优缺点。我们的研究结果表明，即使使用简单的融合方法，
论文阅读-Adversarial Text-to-Image Synthesis: A Review
个人学术整理
07-26 301
随着生成式对抗网络的出现，从文本描述中合成图像成为近年来研究的热点。这是一种灵活且直观的条件图像生成方法，在过去几年里，在视觉真实感、多样性和语义对齐方面取得了重大进展。然而该领域仍然面临一些挑战，需要进一步研究努力，比如使多目标生成高分辨率图像，以及开发与人类判断相关的，合适可靠的评估指标。这篇综述中，介绍了文本-图像对抗性合成模型的现状，自五年前开始的发展进行了概述，并提出了基于监督水平的分类方法。（创新点）本文以策略来评估文本-图像合成模型，突出缺点，并针对缺点确定新的研究领域。从。
Enhanced Multi-Channel Graph Convolutional Network for Aspect Sentiment Triplet Extraction(情感三元组提取)
qq_40887846的博客
06-06 3323
ACL2022收录论文翻译
阅读笔记：Adversarial Multi-task Learning for Text Classification [ACL-2017]
图不灵的博客
04-12 3396
【阅读笔记：Adversarial Multi-task Learning for Text Classification】 论文题目：Adversarial Multi-task Learning for Text Classification 作者：Pengfei Liu, Xipeng Qiu and Xuanjing Huang 出处：ACL 2017 ...
点云论文阅读-1-pointnet++
weixin_43899239的博客
11-12 258
pointnet局限性：不能获取局部结构信息作者提出pointnet++如何确定球的尺寸，类似于如何确定CNN的卷积核尺寸。利用了多尺度邻域以同时实现鲁棒性和细节获取。
【论文笔记】Wings: Learning Multimodal LLMs without Text-only Forgetting
小嗷犬的博客
11-09 1051
多模态大型语言模型（MLLMs）以训练好的LLM为基础，首先将图像与文本对齐，然后对多模态混合输入进行微调。然而，MLLM在灾难性地忘记了仅包含文本的指令，这些指令不包括图像，可以在初始LLM中解决。在本文中，我们提出了WINGS，这是一种新型的MLLM，在纯文本对话和多模态理解方面都表现出色。分析MLLM在多模态指令中的注意力发现，纯文本遗忘与从预图像文本到后图像文本的注意力转移有关。据此，我们构建了额外的模块，作为增强学习器来补偿注意力转移。
【论文阅读】医学SAM适配器：适应医学图像分割的任意分割模型
川川自溢的博客
11-11 862
【论文阅读】医学SAM适配器：适应医学图像分割的任意分割模型
论文阅读《机器人状态估计中的李群》
YMWM_的博客
11-09 905
李群是一个古老的数学抽象对象，可以追溯到19世纪，当时数学家 Sophus Lie奠定了连续变换群理论的基础。多年后，它的影响已经蔓延到科学和技术的各个领域。在机器人领域，我们最近正在经历一个重要的趋势，至少在估计领域，特别是在导航的运动估计方面。然而，对于绝大多数机器人专家来说，李群是高度抽象的结构，因此难以理解和使用。在机器人估计技术中，通常不需要充分利用李群理论的能力，因此需要努力选择合适的阅读材料。在本文中，我们将通过李理论的最基本原理，目的是传达清晰和有用的想法，并留下一个重要的李理论语料库。
论文阅读分享：基于弱监督的病理图像腺体分割
tjl521314_21的博客
11-11 218
● 弱监督学习可以在较少标注的情况下，生成像素级分割，适用于处理复杂的病理图像分割任务。因此，弱监督学习成为一种有效的替代方案，通过图像级标签实现分割，减少标注成本。● 伪掩码去噪与分割优化：为应对病理图像结构不规则、对比度低等问题，提出动态加权损失，以过滤伪掩码中的噪音，提高分割精度。● 随着深度学习在医学图像分割中的广泛应用，全监督学习虽然取得了优异表现，但由于需要大量像素级标注，应用受到限制。● 本研究进一步优化了伪掩码生成，通过重构模块增强图像的局部激活，以提高分割质量。弱监督学习的优势与方法。
【论文阅读】小样本学习相关研究
Glass_Gun的博客
11-11 644
不可靠的经验风险最小化器是FSL的核心问题。基于先验知识如何处理核心问题，可以将FSL分为三个角度：数据使用先验知识来增强监督经验，模型通过先验知识约束假设空间，算法使用先验知识改变对假设空间中最佳假设参数的搜索。这篇小样本学习综述论文从Data、Model、Algorithm三个方面介绍了现有的小样本学习领域内的方法，以数学的形式具体解释了小样本学习中的困难点。
论文阅读《BEVFormer v2》
最新发布
YMWM_的博客
11-12 296
我们提出了一种具有透视监督的新型鸟瞰图（BEV）检测器，其收敛速度更快并且更适合现代图像主干。现有的最先进的BEV检测器通常与某些深度预训练主干网络（如VoVNet）相关联，从而阻碍了蓬勃发展的图像主干网络和BEV检测器之间的协同作用。为了解决这一限制，我们优先通过引入透视图监督来简化BEV检测器的优化。为此，我们提出了一个两阶段BEV检测器，其中来自透视头的提议被输入到鸟瞰头中进行最终预测。为了评估我们模型的有效性，我们进行了广泛的消融研究，重点关注监督形式和所提出的检测器的通用性。
[论文阅读]Enhanced Membership Inference Attacks against Machine Learning Models
m0_52911108的博客
11-08 1023
在本文中，我们提出了一个全面的假设检验框架，该框架不仅使我们能够以一致的方式正式表达之前的工作，而且还设计了新的成员推理攻击，该攻击使用参考模型来实现任何（假阳性率）误差的显着更高的功效（真阳性率）。更重要的是，我们解释了为什么不同的攻击执行方式不同。我们提供了一个不可区分游戏的模板，并提供了游戏不同实例的攻击成功率的解释。我们讨论了问题制定过程中出现的攻击者的各种不确定性，并展示了我们的方法如何尝试将攻击不确定性降至最低，直到训练集中是否存在数据点的一点秘密。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值