COLINGNov, 2020

基于比喻语言的多任务学习框架识别推文中的抑郁症状

PDF
TL;DR本研究旨在设计和评估一种决策支持系统（DSS），通过模拟在临床实践中常用的患者健康问卷 - 9（PHQ-9）来捕获用户推文中表达的细粒度抑郁症状，从而可靠地确定抑郁症状的分级。研究结果表明，建模比喻用法可以显著提高模型的鲁棒性和可靠性，以区分抑郁症状。
发现论文，激发创造
  • 自动方言文本规范化中的方言识别技术的应用

    阐述了方言阿拉伯语在社交媒体平台上的使用扩展以及由此带来的挑战，提出了 CODAfication 任务的解决方案，并通过使用方言识别信息来改善性能，在多个阿拉伯方言上进行了测试和预训练模型的评估。

    Jul, 2024

  • 多任务学习下的上下文感知神经机器翻译案例分析

    探讨了使用多任务学习和多重编码器方法在文档级神经机器翻译中建模上下文编码的观察，证明了在资源匮乏的情况下，该方法比串联和多重编码器模型表现更好，并对选择上下文敏感。

    Jul, 2024

  • 多任务领域自适应与三维物体的语言 grounding

    利用培训有源代码的现成模型来捕捉特征，如视角选择或几何先验，改善性能是现有关于三维物体目标级语言基础的工作的主要关注点之一。然而，它们没有考虑到在跨领域中探索语言 - 视觉对齐的跨模态表示。为了解决这个问题，我们提出了一种名为三维对象领域适应的语言基础（DA4LG）的新方法。具体而言，DA4LG 由具有多任务学习的视觉适配器模块组成，通过全面的多模态特征表示实现视觉 - 语言对齐。实验结果表明，DA4LG 在视觉和非视觉语言描述方面具有竞争力的性能，不受观测完整性的影响。DA4LG 在单视图设置和多视图设置中均在语言基础基准 SNARE 中达到了 83.8％和 86.8％的准确率，达到了最先进的性能。仿真实验显示 DA4LG 相比现有方法具有良好的实用和泛化性能。

    Jul, 2024

  • 使用模板评估不良药物事件分类模型的鲁棒性

    对英语语言环境中不良药物效应（ADE）检测进行手工模板的全面性能评估，发现在社交媒体中检测 ADE 的模型能力存在差异。

    Jul, 2024

  • HyperLoader: 将基于 Hypernetwork 的 LoRA 和适配器层集成到多任务 Transformer 中，用于序列标注

    我们介绍了 HyperLoader，一种简单的方法，它在多任务设置中结合了不同的参数高效调优方法。通过使用超网络根据任务、Transformer 层以及层内位置生成这些模块的权重，我们的模型实现了这一目标。我们的方法通过在生成的权重中封装任务特定知识，综合了多任务学习的优点，同时通过结合不同的参数高效方法以超过完全调优的表现。我们提供实验证据证明 HyperLoader 在大多数数据集中优于以前的方法，并在高资源和低资源场景中获得最佳的任务平均性能。

    Jul, 2024

  • 情感分析的多任务学习

    这项研究在情感计算领域进行，旨在提高情绪识别领域多任务学习的效率和效果。研究探索了单任务解决方案和多任务方法，并通过修改输出层和损失函数，利用现有的神经网络架构进行多任务学习，研究结果对于情感计算领域具有潜在的应用价值。

    Jun, 2024

  • GPT-4 能帮助检测戒烟意向吗？自动数据注释方法的探索

    通过分析 Reddit 上的一个烟民子社群，本研究利用 OpenAI 最新的大型语言模型 GPT-4，比较了其预测结果与普通人和临床专家标注结果，并通过零 - shot、一 - shot、几 - shot 和思维链等不同策略进行说明任务。这些初步发现强调了 GPT-4 在社交媒体数据分析中的潜力，特别是在识别用户微妙意图方面，这是人类检测可能会忽略的。

    Jun, 2024

  • CheckThat! 2024 中的事实查找者：通过数据修剪改善 LLMs 的适用于检查的陈述检测

    应用八个突出的开源语言模型（LLMs）通过精调和提示工程来从政治转录中识别值得检查的陈述，并通过两步数据修剪方法自动识别高质量训练数据实例，能够在 CheckThat！2024 的英语语言数据集方面展示有效学习和竞争性性能。

    Jun, 2024

  • 自监督嵌入用于检测抑郁症个体症状

    利用自监督学习（SSL）基于语音模型识别和预测抑郁症症状和严重程度，比传统语音特征具有显著性能改进，并探究不同类型的 SSL 预训练模型在识别不同症状时所贡献的语音信息，以及多个 SSL 嵌入的组合和多任务学习在有效识别抑郁症症状中的重要性。

    Jun, 2024

  • 重要学术会议论文的层次主题分类

    本文发展了一个用于层次化文本分类的决策支持系统，提出了一种加权层次化相似性函数来计算主题的相关性，并使用熵来估计权重。通过与其他方法比较，该加权层次化相似性函数在主题排名准确性方面有了更好的改进。

    Jun, 2024