DINER: Debiasing Aspect-based Sentiment Analysis with Multi-variable Causal Inference

要約

顕著な進歩が見られるものの、ニューラルベースのアスペクトベース感情分析（ABSA）モデルは、アノテーションの偏りからスプリアス相関を学習する傾向があり、その結果、敵対的なデータ変換に対する頑健性が低い。そのため、敵対的なデータ変換に対するロバスト性が低い。デバイシングの解決策の中で、因果推論に基づく手法は多くの研究者の注目を集めており、主に因果介入手法と反事実推論手法に分類される。しかし、現在のデビアシング手法のほとんどは単一変数の因果推論に焦点を当てており、2つの入力変数（対象アスペクトとレビュー）を持つABSAには適していない。本稿では、ABSAをデビアスするための多変量因果推論に基づく新しいフレームワークを提案する。このフレームワークでは、異なるタイプのバイアスが異なる因果推論手法に基づいて扱われる。レビュー・ブランチでは、バイアスは文脈からの間接的交絡としてモデル化され、デビアスのためにバックドア調整介入が採用される。アスペクト・ブランチでは、バイアスはラベルとの直接的な相関として記述され、デビアスのために反事実推論が採用される。広範な実験により、実世界で広く利用されている2つのアスペクト頑健性テストセットデータセットにおいて、様々なベースラインと比較した提案手法の有効性を実証する。

要約(オリジナル)

Though notable progress has been made, neural-based aspect-based sentiment analysis (ABSA) models are prone to learn spurious correlations from annotation biases, resulting in poor robustness on adversarial data transformations. Among the debiasing solutions, causal inference-based methods have attracted much research attention, which can be mainly categorized into causal intervention methods and counterfactual reasoning methods. However, most of the present debiasing methods focus on single-variable causal inference, which is not suitable for ABSA with two input variables (the target aspect and the review). In this paper, we propose a novel framework based on multi-variable causal inference for debiasing ABSA. In this framework, different types of biases are tackled based on different causal intervention methods. For the review branch, the bias is modeled as indirect confounding from context, where backdoor adjustment intervention is employed for debiasing. For the aspect branch, the bias is described as a direct correlation with labels, where counterfactual reasoning is adopted for debiasing. Extensive experiments demonstrate the effectiveness of the proposed method compared to various baselines on the two widely used real-world aspect robustness test set datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL