استنتاج الطبقة المحلية مواضيع

قد يتم تنفيذ أنواع معينة من مشاكل التصنيف على مستويات متعددة من الحبيبات؛ على سبيل المثال، قد نريد معرفة قطبية المعنويات وثيقة أو جملة أو عبارة. في كثير من الأحيان، قد يكون التنبؤ في سياق أكبر (على سبيل المثال، الجمل أو الفقرات) أمرا مفيدا للتنبؤ أكثر تجميعية في وحدة دلالية أصغر (مثل الكلمات أو العبارات). ومع ذلك، قد يستنتج بشكل مباشر أكثر الميزات المحلية البارزة من التنبؤ العالمي من التوقعات العالمية في دلالات هذه العلاقة. يجادل هذا العمل بأن الاستدلال على طول العلاقة بين المواجهة بالتنبؤ المحلي والتنبؤ العالمي المقابل يجعل إطار الاستدلال أكثر دقة وقوية للضوضاء. نوضح كيف يمكن تنفيذ إطار الخازن هذا كدالة نقل تعمل على إعادة كتابة سياق أكبر من فئة واحدة إلى أخرى وإظهار كيفية تدريب وظيفة النقل المناسبة من كوربوس الناتج عن المستخدم صاخبة. تتحقق النتائج التجريبية البصيرة الخاصة بنا أن إطار المواقد المقترح يتفوق على النهج البديلة على مجالات المشكلات المقيدة بالموارد.

Certain types of classification problems may be performed at multiple levels of granularity; for example, we might want to know the sentiment polarity of a document or a sentence, or a phrase. Often, the prediction at a greater-context (e.g., sentences or paragraphs) may be informative for a more localized prediction at a smaller semantic unit (e.g., words or phrases). However, directly inferring the most salient local features from the global prediction may overlook the semantics of this relationship. This work argues that inference along the contraposition relationship of the local prediction and the corresponding global prediction makes an inference framework that is more accurate and robust to noise. We show how this contraposition framework can be implemented as a transfer function that rewrites a greater-context from one class to another and demonstrate how an appropriate transfer function can be trained from a noisy user-generated corpus. The experimental results validate our insight that the proposed contrapositive framework outperforms the alternative approaches on resource-constrained problem domains.