Jun, 2023

针对罗马尼亚讽刺检测和情感分析的对抗胶囊网络

PDF
TL;DR基于对抗可训练和胶囊网络的调优，提出了一种优化了的自然语言处理模型，可用于罗马尼亚语的讽刺检测和情感分析任务，对已有方法进行了超越，准确率高达 99.08%。
satire detectionsentiment analysisnlp modelsadversarial trainingcapsule networks
发现论文，激发创造
  • 对抗性训练在讽刺检测中的应用：对混淆变量的控制

    本文介绍了一种新的用于讽刺检测的模型，该模型包括对抗性部分以控制发布源的混杂变量，最终得到了可观的讽刺分类性能和显著下降的发布分类性能。通过分析得出，对抗性组件是该模型关注讽刺语言属性的关键。

    Feb, 2019

  • 使用对抗式多任务学习在 SemEval-2021 任务 7 中检测和评分幽默与攻击

    本文描述了关于使用 AMTL-Humor 的对抗式多任务网络进行幽默和冒犯文本检测。训练模型包含多个分支，通过模型对 BiLSTM 和 Capsule 层进行训练并使用 BERTweet 生成上下文化嵌入。最终模型是所有测试配置的集合，并在 SemEval-2021 的 7 号任务中实现了 95.66％的 F1 得分和 94.70％的准确率，同时还针对 1b 和 2 号任务分别获得了 0.6200 和 0.5318 的 RMSE 分数。

    Apr, 2021

  • X-CapsNet 用于虚假新闻检测

    提出了一种基于 Capsule 神经网络（CapsNet）的新型 transformer 模型 X-CapsNet，用于自动检测和对抗假新闻，通过使用多个分类器和间接特征来解决短新闻陈述的表示问题，并在 Covid-19 和 Liar 数据集上的评估结果表明该模型在性能上优于现有基准模型。

    Jul, 2023

  • 基于情感分析的新对抗图像检测

    本研究提出了一种新的对抗性样本检测器，使用情感分析和神经网络中的隐藏层特征映射来对检测模型进行优化。实验结果表明，该检测器在检测对 ResNet 和 Inception 中性网络在 CIFAR-10、CIFAR-100 和 SVHN 数据集上最新攻击时，优于目前的检测算法，仅具有约 200 万参数，耗时少于 4.6 毫秒。

    May, 2023

  • 自然语言处理中对抗性防御和鲁棒性的调查

    综述了最近几年针对 NLP 中深度神经网络面对对抗干扰的鲁棒性不足和易受攻击的挑战，提出了一种新的分类方法，介绍了不同的对抗防御方法和其在训练中作为正则化机制的应用，并指出了深度神经网络的脆弱性和对其进行防御面临的挑战。

    Mar, 2022

  • 使用 BERT 进行基于方面的情感分析的对抗式训练

    应用对抗性培训来提高 BERT 在情感分析的方面提取和观点分类任务中的性能。

    Jan, 2020

  • 文本中健壮的深度神经网络：一项调查

    本文对英语和中文文本领域的生成对抗性文本的对抗攻击和防御方法进行了全面的调查，并基于干扰单位对现有的对抗技术进行分类，从不同的自然语言处理任务的视角介绍了对抗技术，并从根源上探讨了领域中对抗攻击和防御的挑战和未来研究方向。

    Feb, 2019

  • 对抗性环境下的 Q&A 演员 - 评论家网络

    该论文介绍了一种基于强化学习框架，将生成对抗性数据的目的与修改现有架构以建立稳健性的两个重点领域相结合的方法，使用 Adversarial SQuAD “Add One Sent” 数据集表明该方法在保护免受对抗性攻击方面有某些有希望的迹象。

    Jan, 2022

  • SaRoCo: 检测罗马尼亚新闻文章中的讽刺

    使用两个深层神经模型，在罗马尼亚新闻中检测幽默的机器水平准确率不高，表明未来研究有足够的改进空间。

    May, 2021

  • 基于对抗训练的 LSTM-CNN 模型用于命名实体识别

    本文提出了一个名为 ASTRAL 的 Adversarial Trained LSTM-CNN 模型，通过引入 Gated-CNN 和特定的 Adversarial training 方法，利用 word embedding 提取的信息来改进当前的 Named Entity Recognition（NER）模型结构和训练过程，我们的模型在三个基准测试中，CoNLL-03、OntoNotes 5.0 和 WNUT-17，都取得了最好的结果。

    Sep, 2020