ترجمه فارسی مقاله سیگنال های تک وجهی فرا یادگیری با نظارت ضعیف برای تحلیل احساسات چندوجهی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Meta-Learn Unimodal Signals with Weak Supervision for Multimodal Sentiment Analysis
عنوان مقاله به فارسی سیگنال های تک وجهی فرا یادگیری با نظارت ضعیف برای تحلیل احساسات چندوجهی
نویسندگان Sijie Mai, Yu Zhao, Ying Zeng, Jianhua Yao, Haifeng Hu
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 12 September, 2024; v1 submitted 27 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛V1 ارسال شده 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Multimodal sentiment analysis aims to effectively integrate information from various sources to infer sentiment, where in many cases there are no annotations for unimodal labels. Therefore, most works rely on multimodal labels for training. However, there exists the noisy label problem for the learning of unimodal signals as multimodal annotations are not always the ideal substitutes for the unimodal ones, failing to achieve finer optimization for individual modalities. In this paper, we explore the learning of unimodal labels under the weak supervision from the annotated multimodal labels. Specifically, we propose a novel meta uni-label generation (MUG) framework to address the above problem, which leverages the available multimodal labels to learn the corresponding unimodal labels by the meta uni-label correction network (MUCN). We first design a contrastive-based projection module to bridge the gap between unimodal and multimodal representations, so as to use multimodal annotations to guide the learning of MUCN. Afterwards, we propose unimodal and multimodal denoising tasks to train MUCN with explicit supervision via a bi-level optimization strategy. We then jointly train unimodal and multimodal learning tasks to extract discriminative unimodal features for multimodal inference. Experimental results suggest that MUG outperforms competitive baselines and can learn accurate unimodal labels.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل احساسات چندمودال با هدف ادغام مؤثر اطلاعات از منابع مختلف برای استنباط احساسات ، جایی که در بسیاری از موارد هیچ گونه حاشیه نویسی برای برچسب های غیرمعمول وجود ندارد.بنابراین ، بیشتر آثار برای آموزش به برچسب های چند حالته متکی هستند.با این حال ، مشکل برچسب پر سر و صدا برای یادگیری سیگنال های Unimodal وجود دارد زیرا حاشیه نویسی های چندمودال همیشه جایگزین های ایده آل برای موارد غیرمجاز نیستند ، و در دستیابی به بهینه سازی دقیق تر برای لوازم شخصی.در این مقاله ، یادگیری برچسب های Unimodal را تحت نظارت ضعیف از برچسب های چند مدلی حاشیه نویسی بررسی می کنیم.به طور خاص ، ما یک چارچوب جدید نسل متا Uni-Label (MUG) جدید را برای رفع مشکل فوق پیشنهاد می کنیم ، که از برچسب های چند حالته موجود برای یادگیری برچسب های Unimodal مربوطه توسط شبکه تصحیح متا Uni-Label (MUCN) استفاده می کند.ما ابتدا یک ماژول طرح ریزی مبتنی بر متضاد را طراحی می کنیم تا شکاف بین بازنمایی های Unimodal و Multimodal را ایجاد کنیم ، به طوری که از حاشیه نویسی های چند حالته برای هدایت یادگیری MUCN استفاده می کنیم.پس از آن ، ما وظایف denoising unimodal و multimodal را برای آموزش MUCN با نظارت صریح از طریق یک استراتژی بهینه سازی دو سطح پیشنهاد می کنیم.سپس ما به طور مشترک وظایف یادگیری غیرمعمول و چند حالته را برای استخراج ویژگی های غیرعادی تبعیض آمیز برای استنتاج چندمودال آموزش می دهیم.نتایج تجربی حاکی از آن است که لیوان از خطوط رقابتی بهتر عمل می کند و می تواند برچسب های غیرعادی دقیق را بیاموزد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.