CDCM: Un método de calibración contrafactual de sesgo basado en la destilación del conocimiento para la detección de...

Área de la Ciencia:

• Procesamiento del Lenguaje Natural
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• La detección de posturas identifica las actitudes del usuario en el texto de las redes sociales.
• Los métodos de destilación del conocimiento aprovechan las etiquetas blandas pero pueden heredar el sesgo de los datos.
• El sesgo de las palabras de alta frecuencia y sentimiento debilita el aprendizaje semántico en los modelos de profesor.

Objetivo del estudio:

• Proponer un novedoso método de calibración contrafactual de sesgo (CDCM) para la destilación del conocimiento en la detección de posturas.
• Abordar el problema del sesgo no intencionado en los datos de entrenamiento que afecta el rendimiento del modelo.
• Mejorar las capacidades de aprendizaje semántico de los modelos de detección de posturas.

Principales métodos:

• CDCM formula la detección de posturas utilizando un modelo causal estructural.
• Emplea razonamiento factual-contrafactual para la extracción y eliminación de sesgos mediante resta elemento a elemento.
• Se utiliza un léxico de sentimientos adaptativo y un mecanismo de umbral de características de alta frecuencia para mitigar la interferencia léxica.

Principales resultados:

• Los resultados experimentales demuestran la efectividad del algoritmo CDCM.
• El método mejora con éxito el rendimiento de los modelos de detección de posturas.
• CDCM mitiga el impacto negativo de las señales léxicas superficiales y mejora la comprensión semántica.

Conclusiones:

• CDCM ofrece un enfoque eficaz para eliminar el sesgo de la destilación del conocimiento para la detección de posturas.
• El método propuesto mejora la robustez y la precisión del modelo al abordar el sesgo de los datos.
• Este trabajo contribuye a una detección de posturas más fiable en el análisis de redes sociales.