Nov, 2023

通过异常值检测优化增强情感分析结果

PDF
TL;DR通过使用 Deep SVDD 算法识别和处理主观标签中的异常值，以提升分类效果。研究结果表明，在大多数情况下，删除异常值可以改善结果，并且大型语言模型 DeBERTa v3 可以捕捉到复杂模式从而提高性能。
发现论文，激发创造
  • 对话系统中的异常值检测，提高数据质量和多样性

    使用神经句向量和基于距离的异常检测技术，本文介绍了一种检测短文本语料中错误和独特样本的技术，并提出了一种新的数据采集流程，可以同时去除错误数据和自动挖掘独特数据，实验结果表明，该技术可以有效地发现错误并产生更鲁棒的意图分类和槽位填充模型。

    Apr, 2019

  • 文本数据深度学习异常检测方法

    使用深度学习和变换器架构结合经典机器学习算法以检测和识别文本中的异常，将所有文本上下文转换为数字表示。

    Nov, 2022

  • 使用机器学习和自然语言处理方法进行情感分析中 Reddit 评论的性能评估

    使用 GoEmotions 数据集评估情感分析模型的效能并扩展研究范围，发现 RoBERTa 模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。

    May, 2024

  • 社交媒体帖子的情绪检测

    研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

    Feb, 2023

  • 使用 BERT 和 SVM 集成模型对推文进行情感检测

    本文提出了一种方法，通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中，构建了一个平衡的数据集。在这个扩展数据集上，我们研究了支持向量机（SVM）和双向编码器表示转换器（BERT）在情感识别中的应用，并提出了一种将两种模型结合的新型集成模型。实验结果表明，该模型在推特情感识别中实现了 0.91 的准确率。

    Aug, 2022

  • 使用深度学习技术对短英文文本进行情感分类

    使用深度学习技术和 BERT 文本嵌入方法，对来自资源匮乏语言的有限文本数据集进行情感识别的研究，通过介绍 SmallEnglishEmotions 数据集验证了这些方法在准确分类数据集中的优越性。

    Feb, 2024

  • 异常检测中的深度学习与异常情况曝光

    使用辅助数据集训练异常检测器，提出 Outlier Exposure (OE) 方法来改进机器学习领域中深度异常检测任务，在 NLP 和视觉任务中扩展实验表明 OE 显著提高检测性能，并分析该方法的灵活性和鲁棒性。

    Dec, 2018

  • 利用心理语言学特征和 Transformer 提升基于文本的情感检测的泛化能力

    本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

    Dec, 2022

  • 文本异常暴露在视觉 OoD 检测中的有效性研究

    利用生成的文本异常值，进行视觉异常值探测，以提高神经网络的安全性，该方法在大规模 OoD 和困难 OoD 基准测试中取得了竞争性的性能。

    Oct, 2023

  • 无需领域内标签：文本领域外检测

    本研究旨在解决无法获取 in-domain 数据标签的情况下，从语言模型和表示学习的角度，通过无监督的聚类和对比学习的结合，对 OOD 检测进行更好的数据表示学习，实验证明该方法的性能显著优于基于概率的方法，并且可以与基于标签信息的监督方法竞争。

    Mar, 2022