Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

MMoE: Robust Spoiler Detection with Multi-modal Information and Domain-aware Mixture-of-Experts

Created by
  • Haebom

作者

Zinan Zeng, Sen Ye, Zijian Cai, Heng Wang, Yuhan Liu, Haokai Zhang, Minnan Luo

概要

本論文は、オンライン映画レビューのウェブサイトでスポイラーを検出するためのマルチモーダルネットワークであるMMoEを提案する。既存の方法がレビューのテキスト内容に集中するのとは異なり、ＭＭｏＥは、ユーザ映画ネットワーク、レビューのテキストコンテンツ、レビューのメタデータからグラフ、テキスト、メタ特徴を抽出してマルチモーダル情報を利用する。ジャンル 特定のスポイラー言語を処理するために、Mixture-of-Expertsアーキテクチャを採用し、堅牢性を高め、専門家融合層を通じて異なる視点の特徴を統合して予測する。実験の結果、MMoEは、2つの広く使用されているスポイラー検出データセットで、従来の最高性能方法よりも精度とF1スコアの面でそれぞれ2.56％と8.41％向上した性能を達成し、堅牢性と一般化性能でも優れたことを示した。コードはフラッグハブに公開されています。

Takeaways、Limitations

•
Takeaways:
◦
マルチモーダル情報（グラフ、テキスト、メタデータ）を活用してスポイラー検出性能を向上させた。
◦
Mixture-of-Expertsアーキテクチャにより、ジャンル特有のスポイラーに対する堅牢性と一般化性能を高めた。
◦
従来の最高性能モデルをかなりの差で凌駕する性能を達成した。
◦
再現性のためにコードを公開しました。
•
Limitations:
◦
特定のオンライン映画レビューのウェブサイトデータに依存する可能性があります。他のプラットフォームへの一般化の可能性に関するさらなる研究が必要です。
◦
Mixture-of-Expertsの専門家の数や構造の最適化に関する追加の研究が必要になるかもしれません。
◦
様々な言語や文化的背景のレビューデータの性能評価が不足している。
👍
Made with Slashpage