文献

J-GLOBAL ID：202002217197662113   整理番号：20A0958788

弱教師付き早期Rumor検出のためのニューラル言語モデルベースの訓練データ増強【JST・京大機械翻訳】

Neural Language Model Based Training Data Augmentation for Weakly Supervised Early Rumor Detection

著者 (3件)： Han Sooji (The University of Sheffield,Department of Computer Science,Sheffield,UK) ,  Gao Jie (The University of Sheffield,Department of Computer Science,Sheffield,UK) ,  Ciravegna Fabio (The University of Sheffield,Department of Computer Science,Sheffield,UK)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ASONAM  ページ： 105-112  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 訓練データの不足とクラス不均衡は,現在のルーマ検出タスクにおける既知の問題である。著者らは,イベント伝搬パターンに依存する初期のルーム検出に有益な,直線的で汎用的なデータ増強技術を提案した。鍵となるアイデアは,限られたラベル付けされたルームソース・ツイートを拡張するために,社会的メディア上で大量のラベル付けされていないイベントデータセットを利用することである本研究では,最近の研究によって明らかにされたrumor拡散パターンまたはラベル付けデータとラベル付けされていないデータ間の意味論的関連性に基づいている。最先端のニューラル言語モデル(NLM)と大きな信頼性に焦点を合わせたTwitterコーパスを用いて,ルームツイートの文脈に敏感な表現を学習した。この方法の有効性の比較評価を提供するために,3つの公開可能なルームデータ集合に基づく6つの異なる実世界イベントを著者らの実験において採用した。結果は,著者らの方法が,合理的品質で100%によって,ほぼ200%と対応する社会的文脈(すなわち,会話スレッド)によって,既存のルームデータ集合の大きさを拡大することができることを示した。最先端の深い学習に基づくルーマ検出モデルによる予備実験は,拡張データが限られた列車データによって引き起こされる過剰適合とクラス不均衡を軽減することができて,複雑なニューラルネットワーク(NN)を訓練するのを助けることができることを示した。拡張データにより,rumor検出の性能はFスコアに関して12.1%改善できた。著者らの実験は,また,強化された訓練データが,観察されていないルーマに関するルーマ検出モデルの一般化を助けることができることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意味論 ,  *言語 ,  信頼性 ,  ニューラルネットワーク ,  有効性 ,  コーパス ,  スレッド ,  会話 ,  *言語モデル
準シソーラス用語： *訓練データ ,  *モデルベース ,  予備実験 ,  比較評価 ,  ツイッター , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 教師 ,  早期 ,  言語モデル ,  訓練データ ,  増強