Mar, 2015

基于规则注释和众包的统计模态标注

PDF
TL;DR训练一种自动情态标注器（modality tagger）。在用规则进行简单的情态标注的基础上，通过 Mechanical Turk 逐步提供训练数据集并使用多类 SVM 进行精确的情态标注，解决了训练数据稀少的难题。
发现论文，激发创造
  • 一种模态词典及其在自动标记中的应用

    本文介绍了模态词的注释方案、模态词的构建、以及两种使用词汇表和注释方案构建的自动标注工具。使用基于结构的标记工具来在英文 - 乌尔都语训练语料库上注释英文模态，使得机器翻译的质量得到了提高。

    Oct, 2014

  • 可能、合理和理想：用于语言处理的基于事件的情态检测

    本文提出一种基于事件的情态检测任务，其中模态表达式可以是任何句法类的单词，其中感性标签来自一种综合分类法。该任务通过探讨模态表达式对事件的影响来改善模态事件的检测，同时在 GME 语料库上进行实验。

    Jun, 2021

  • 多模态情感分析中的遗漏模态：一种知识迁移方法

    提出了一种新颖的知识传递网络来在不同的感知模式之间进行翻译以重构缺失的音频模式，并且采用了跨模态注意机制以保留重构和观察到的模态的最大信息，用于情感预测。通过对三个公开数据集进行大量实验证明，相较于基线方法实现了显著的改进，并在完全多模态监督方面取得了与之前方法相当的结果。

    Dec, 2023

  • 多模态机器学习：概述与分类

    多模态机器学习作为一个充满潜力的多学科领域，在不断发展和完善，其普遍的分类包括：表示、翻译、对齐、融合和协同学习。该研究旨在通过共性的分类方式，综合总结目前该领域的研究进展，以期为未来的研究指明方向。

    May, 2017

  • 多模态机器学习中的模态影响

    本研究旨在探讨每种模态对 Multimodal Machine Learning 模型的影响，并针对不同分类任务的数据集和模型，提出了一种确定每种模态对 Multimodal Machine Learning 模型的影响的方法。研究结果对于理解多模态学习中每个模态的作用，并为该领域的未来发展提供了有价值的见解。

    Jun, 2023

  • 基于语义的句法机器翻译中的情态和否定使用

    本文描述了为期八周的约翰霍普金斯大学人类语言技术卓越中心应用语言探索夏令营（SCALE-2009）中语义驱动机器翻译（SIMT）的资源和系统构建工作。作者引入了一种新的模态 / 否定（MN）注释方案，基于该方案和词典生成了两个自动化的 MN 标注器，并将其应用于用于翻译的语法框架中，结果显示基于结构的 MN 标注器的标注精确率高达 86％。最终生成的系统有效地提高了翻译质量。

    Feb, 2015

  • 多模态分类分析社交媒体

    本研究使用池化层和辅助学习任务进行多模态社交媒体数据分类，具有良好的鲁棒性和高准确性，并与传统融合方法相比有着显著的优势。

    Aug, 2017

  • 跨模态数据编程实现快速医学机器学习

    该研究提出了一种跨模态数据编程策略，包括自然语言处理技术，用于医学机器学习模型的训练标签生成，通过仅几小时的临床医师工作即可匹配或超越医师数月手动标注的效果，为医学机器学习模型的构建提供了更快、更灵活的方法。

    Mar, 2019

  • 法律语言中代理人特定义务模态检测

    LEXDEMOD 是一份包含英语合同注释的语料库，其标注了关于合同方或代理人的义务性情态语气以及情态触发器，用于支持法律领域中自然语言理解。使用基于 Transformer 的语言模型，我们在 LEXDEMOD 上进行了两个任务的基准测试，即特定代理人的多标签义务情态分类，以及特定代理人的情态和触发器跨度检测，实验表明该语料库的语言多样性可以合理地从租赁转向雇佣和租赁协议，可用于法律领域中的义务情态探测。

    Nov, 2022

  • 视频中时序句子定位和事件字幕生成的学习模态交互

    通过跨模态交互学习，以更好地利用视频中每组模态之间的互补信息来提高事件字幕生成和时间句子定位任务的性能，从而在四个标准基准数据集上取得了最先进的性能。

    Jul, 2020