半教師つきニューラルトピックモデリングのための結合学習アプローチ【JST・京大機械翻訳】

Chiu Jeffrey; Mittal Rajat; Tumma Neehal; Sharma Abhishek; Doshi-Velez Finale

プレプリント

J-GLOBAL ID：202202217528727461 整理番号：22P0327630

半教師つきニューラルトピックモデリングのための結合学習アプローチ【JST・京大機械翻訳】

A Joint Learning Approach for Semi-supervised Neural Topic Modeling

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月07日プレプリントサーバーでの情報更新日： 2022年04月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

トピックモデルは,解釈可能な方法でテキストデータを表現するための最も一般的な方法の幾つかである。最近,深層生成モデル,特に自動符号化変分Bayes(AEVB)の進歩は,従来の統計ベーストピックモデルとは対照的に,深い生成モデルを利用する教師なしニューラルトピックモデルの導入をもたらした。著者らは,これらのニューラルトピックモデルを,著者らの知識の程度,最初の有効な上流半教師つきニューラルトピックモデル,にラベル付けされたニューラルトピックモデル(LI-NTM)を導入することによって拡張した。LI-NTMは,文書再構成ベンチマークにおいて既存のニューラルトピックモデルよりも性能が優れており,低ラベル化データレジメにおける最も顕著な結果,および有益なラベルを持つデータセットに対して,最も注目すべき結果であった。さらに,著者らの共同学習分類器は,アブレーション研究におけるベースライン分類器より優れている。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

前のページに戻る