情感分析分类网络的有效黑盒测试

研究了使用自注意力层的预训练神经网络在情感识别中的表现，发现这些模型能够有效利用语言信息提高情感预测。

提出了一种适用于Transformer的鲁棒性验证算法，结果优于传统的Interval Bound Propagation算法。

结合心理语言学特征的基于转换器模型和双向LSTM网络的方法在情感检测中表现出强大的跨领域泛化能力。

提出了一种自动化流程，通过情感分类器和自编码器生成更多训练数据，实验成功率达到54.7%。

研究表明，预训练模型在特定领域的适应性优于现成模型，尤其在分析德语顾客反馈数据集时取得显著改进。

利用预训练转换器进行多语言和多领域的情感分析，发现模型大小对预测质量有显著影响。

在金融情感分析中，预训练语言模型和迁移学习原则有效应对特定挑战，尤其是在疫情影响下的情感分析。

提出了一种基于双向长短期记忆的新型两层注意网络，实验结果在SemEval 2017上表现优于顶尖系统。

研究探讨了预训练模型在情感词汇维度上的表现，发现transformer架构在情感预测方面具有优势。

通过扰动方法和基于上下文的掩码语言模型，提供更客观的新闻报道，抑制媒体情感语言偏见。