面向细粒度情感分类的标签感知双曲嵌入

ACLJun, 2023

面向细粒度情感分类的标签感知双曲嵌入

Label-Aware Hyperbolic Embeddings for Fine-grained Emotion Classification

Chih-Yao Chen, Tun-Min Hung, Yi-Li Hsu, Lun-Wei Ku

TL;DR本论文提出了 HypEmo，一种能够融合双曲嵌入以提高情感分类任务性能的新型框架。我们使用超平面空间中的标签嵌入来更好地捕捉其层次结构，然后将上下文表示投射到该空间中来计算样本和标签之间的距离，并发现相对于现有技术，使用此距离加权交叉熵损失能够大大提高性能并减少参数和训练时间。

Abstract

fine-grained emotion classification (FEC) is a challenging task. Specifically, FEC needs to handle subtle nuance between labels, which can be complex and confusing. Most existing models only address text classification problem in the euclidean space, which we believe may not be the opt

fine-grained emotion classification hyperbolic embeddings label embeddings contextualized representations cross entropy loss

发现论文，激发创造

具有层次间隔提升的双曲空间用于从粗标签中提升细粒度学习

将视觉嵌入表示为分层余弦边界方法的超凸空间，并通过增强其辨别能力解决有限标签细粒度任务中的挑战，展示了所提方法在五个基准数据集上实验的有效性，取得了超越竞争方法的最先进结果。

Nov, 2023

一种完全双曲神经模型用于分层多类别分类

提出了一个全超伽马模型进行多类多标签分类，该模型可以从类别分布中推断出潜在的层次关系，捕获库存中的隐含下义关系，并显示出与最先进的方法相当的细粒度分类性能，具有可观的参数规模缩减。

Oct, 2020

通过联合学习表示和标签嵌入进行细粒度实体类型分类

本文提出了一种基于神经网络的模型，联合学习实体提及及其上下文表示，通过使用非参数的变体铰链损失函数解决训练数据含噪的问题，并证明了该模型表现优于现有技术，同时可以实现知识迁移。

Feb, 2017

面向标签无关情感嵌入

本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

Dec, 2020

具有层级感知损失的神经细粒度实体类型分类

本研究提出了一种基于神经网络模型的端到端解决方案，使用一种变种的交叉熵损失函数来处理上下文外标签，并使用分层损失规范化来处理过于特定的标签，利用公共词嵌入来训练单标签，从而同时学习实体提及及其上下文的表示，实验证明该方法对噪声具有鲁棒性，并在任务的已有基准测试中持续超过现有技术水平。

Mar, 2018

层次化多标签分类的双曲线标签嵌入联合学习

本文提出了一种联合学习分类器参数与标签嵌入的方法，用于多标签分类的层次化关系建模，结果表明该方法对具有效性，超过了以往基于共现信息的预训练超几何嵌入方法。

Jan, 2021

利用表征学习增强情感认知模型

本研究提出了一种新型深度学习框架，用于生成细粒度情感的嵌入式表示，可用于计算描述情感心理模型。通过与多头探测模型集成的上下文嵌入编码器，可以动态地学习情感表示并优化情感分类任务，评估结果表明可以达到最先进的 32 种情感分类。最后结合情感图生成情感轮并增强丢失的情感状态模型价值。

Apr, 2021

使用蕴涵锥嵌入的分层图像分类

该论文提出了一套使用嵌入到分类标签中的类层次结构信息，通过改进算法进行图像分类和表示学习的方法，并将其在 ETHEC 数据集中进行了实证测试。

Apr, 2020

情感嵌入学习：从不同情感数据集中获取稳定统一的抽象

人类情感的计算研究涉及各种沟通方式和媒体格式，本文提出了一个统一的计算模型，通过学习共享的情感表示来实现对异质数据和标签类型的协同工作，以提高可重用性、可解释性和灵活性，并且不降低预测质量。

Aug, 2023

增强情感语义学习的多标签增量情感解码

提出了一种增强的情感语义学习框架，用于多标签类别增量情感解码，通过标签消歧和知识蒸馏解决了部分标签问题和遗忘问题，实验证明该方法在提高情感解码性能和减轻多标签类别增量学习中的遗忘问题方面优于现有方法。

May, 2024