다중 작업 학습을 이용한 암시적 감성 분석: 데이터 수준 및 작업 수준 자동 가중치 학습

암시적 감성 분석(Implicit Sentiment Analysis, ISA)은 주요 힌트 단어가 부족하여 상당한 도전을 제기합니다. 기존 방법들은 충분하지 않은 데이터와 제한된 추론 능력으로 인해 잠재적인 의견을 파악하는 데 어려움을 겪었습니다. 다중 작업 학습(Multi-Task Learning, MTL)과 대형 언어 모델(Large Language Models, LLMs)을 통합하면 다양한 크기의 모델이 ISA에서 진정한 의견을 신뢰성 있게 인식하고 인식할 수 있는 가능성이 있습니다. 그러나 현재의 MTL 접근 방식은 두 가지 불확실성에 의해 제약받고 있습니다: LLM이 생성한 문맥 정보의 환각 문제로 인한 데이터 수준의 불확실성과, 모델들이 문맥 정보를 처리하는 능력의 차이로 인한 작업 수준의 불확실성입니다.이러한 불확실성을 처리하기 위해 우리는 MT-ISA라는 새로운 MTL 프레임워크를 소개합니다. 이 프레임워크는 생성 및 추론 능력을 활용하여 ISA를 강화하며, 자동 MTL을 통해 대형 언어 모델들의 문맥 요소를 보완하는 보조 작업을 구축하고 보조 데이터를 완전히 활용합니다. 특히, MT-ISA는 데이터 수준과 작업 수준의 자동 가중치 학습(Automatic Weight Learning, AWL)을 도입하여 동적으로 관계를 식별하고 더 신뢰할 수 있는 데이터와 중요한 작업들을 우선 순위로 정렬하여, 다양한 크기의 모델들이 그들의 추론 능력에 따라 세부적인 가중치를 적응적으로 학습할 수 있도록 합니다.우리는 데이터 수준 AWL에 대한 세 가지 전략을 조사하였으며, 동시에 작업 수준 AWL에 대한 동일분산 불확실성(Homoscedastic Uncertainty)도 도입하였습니다. 광범위한 실험 결과, 다양한 크기의 모델들이 MT-ISA에서 주요 예측과 보조 작업 사이에서 최적의 균형을 이루는 것을 확인할 수 있었습니다. 이는 우리의 접근 방식이 효과적이고 유연하다는 점을 강조합니다.