TAILIEUCHUNG - Báo cáo khoa học: "Modeling Wisdom of Crowds Using Latent Mixture of Discriminative Experts"

In many computational linguistic scenarios, training labels are subjectives making it necessary to acquire the opinions of multiple annotators/experts, which is referred to as ”wisdom of crowds”. In this paper, we propose a new approach for modeling wisdom of crowds based on the Latent Mixture of Discriminative Experts (LMDE) model that can automatically learn the prototypical patterns and hidden dynamic among different experts. Experiments show improvement over state-of-the-art approaches on the task of listener backchannel prediction in dyadic conversations. . | Modeling Wisdom of Crowds Using Latent Mixture of Discriminative Experts Derya Ozkan and Louis-Philippe Morency Institute for Creative Technologies University of Southern California ozkan morency @ Abstract In many computational linguistic scenarios training labels are subjectives making it necessary to acquire the opinions of multiple an-notators experts which is referred to as wisdom of crowds . In this paper we propose a new approach for modeling wisdom of crowds based on the Latent Mixture of Discriminative Experts LMDE model that can automatically learn the prototypical patterns and hidden dynamic among different experts. Experiments show improvement over state-of-the-art approaches on the task of listener backchannel prediction in dyadic conversations. 1 Introduction In many real life scenarios it is hard to collect the actual labels for training because it is expensive or the labeling is subjective. To address this issue a new direction of research appeared in the last decade taking full advantage of the wisdom of crowds Surowiecki 2004 . In simple words wisdom of crowds enables parallel acquisition of opinions from multiple annotators experts. In this paper we propose a new method to fuse wisdom of crowds. Our approach is based on the Latent Mixture of Discriminative Experts LMDE model originally introduced for multimodal fusion Ozkan et al. 2010 . In our Wisdom-LMDE model a discriminative expert is trained for each crowd member. The key advantage of our computational model is that it can automatically discover the prototypical patterns of experts and learn the dynamic between these patterns. An overview of our approach is depicted in Figure 1. 335 We validate our model on the challenging task of listener backchannel feedback prediction in dyadic conversations. Backchannel feedback includes the nods and paraverbals such as uh-huh and mm-hmm that listeners produce as they are speaking. Backchannels play a significant role in determining the nature

• Báo cáo khoa học
• Modeling Wisdom
• Crowds Using Latent Mixture
• Discriminative Experts
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball