Bài viết này có sẵn trên arxiv theo giấy phép CC BY-NC-SA 4.0 DEED.   tác giả:  (1) Yejin Bang, Trung tâm Nghiên cứu Trí tuệ Nhân tạo (CAiRE), Đại học Khoa học và Công nghệ Hồng Kông;  (2) Nayeon Lee, Trung tâm Nghiên cứu Trí tuệ Nhân tạo (CAiRE), Đại học Khoa học và Công nghệ Hồng Kông;  (3) Pascale Fung, Trung tâm Nghiên cứu Trí tuệ Nhân tạo (CAiRE), Đại học Khoa học và Công nghệ Hồng Kông.  Bảng liên kết   Tóm tắt và giới thiệu   Công việc có liên quan   Tiếp cận   Thí nghiệm   Phần kết luận   Hạn chế, Tuyên bố về Đạo đức và Tài liệu tham khảo   A. Chi tiết thí nghiệm   B. Kết quả thế hệ  4. Thí nghiệm  4.1. Cài đặt   4.2. Người mẫu    Chúng tôi so sánh với các mô hình tóm tắt đa tài liệu (MDS) sẵn có được đào tạo trên Tập dữ liệu nhiều tin tức (Fabbri và cộng sự, 2019) (BARTMULTI (Lewis và cộng sự, 2019) và PEGASUSMULTI (Zhang và cộng sự, 2019a)) như là đường cơ sở. Những mô hình này đã đạt được hiệu suất cao trong MDS, cũng có thể được áp dụng trong việc tóm tắt các bài viết phân cực. Tuy nhiên, những mô hình này không có bất kỳ kiến thức nào về việc loại bỏ sai lệch trong khung hoặc cách viết trung lập. Chúng tôi cũng so sánh với các mô hình hiện đại nhất (BARTNEUSFT và BARTNEUSFT-T) (Lee và cộng sự, 2022) đã được tinh chỉnh bằng tập dữ liệu ALLSIDES. BARTNEUSFT chỉ được tinh chỉnh với các bài viết trong khi BARTNEUSFT-T tận dụng thêm tiêu đề của từng bài viết. Chúng tôi cũng báo cáo thêm về PEGASUSNEUSFT. Việc tinh chỉnh đơn thuần có thể không đủ hiệu quả để tìm hiểu về xu hướng định khung. Do đó, chúng tôi sẽ chứng minh làm thế nào tổn thất giảm thiểu phân cực có thể giảm thiểu sai lệch khung một cách hiệu quả so với các mô hình cơ sở và SOTA.  Đường cơ sở  4.3. Kết quả     Chúng tôi nghiên cứu rằng việc giảm thiểu phân cực giữa các đầu cực (trái, phải) hiệu quả hơn so với việc kết hợp với ổ cắm phương tiện trung tâm. Điều này là do các hệ tư tưởng cánh tả và cánh hữu là những đầu đối lập nhau có thể đào tạo các mô hình về các mục đích cực đoan hiệu quả hơn so với các phương tiện truyền thông trung tâm mặc dù phương tiện truyền thông trung tâm không hoàn toàn không có thành kiến. Kết quả phân tích định tính phù hợp với các biện pháp định lượng. Ví dụ, như được minh họa trong Bảng 2, cả hai mô hình giảm thiểu phân cực LR-INFO và LRC-AROUSAL đều có thể tóm tắt thông tin cần thiết từ các bài viết đầu vào phân cực. Đặc biệt là LR-INFO, mô hình có độ lệch thấp nhất, nó thậm chí có thể sử dụng lựa chọn từ trung lập hơn (ví dụ: “biểu tình” thay vì “bạo loạn” tương tự để nhắm mục tiêu Y).  Học tập hiệu quả với các cực cực  4.4. Phân tích 

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

MediaBias's

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

dài quá đọc không nổi

Boost your HackerNoon story @ $159.99! 🚀

Giảm thiểu sai lệch khung bằng giảm thiểu tổn thất phân cực: Thử nghiệm

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

287 Stories To Learn About Blockchain Development

85 Stories To Learn About Travel

223 Stories To Learn About Science

72 Stories To Learn About Adam Smith

287 Stories To Learn About Blockchain Development

85 Stories To Learn About Travel

223 Stories To Learn About Science

72 Stories To Learn About Adam Smith

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps