Representation learning is the field of modern machine learning focused on
automatically producing useful representations from data. This thesis studies the impact of
data volumes, annotation perspectives, and structural properties on learnable
representations for textual emotion detection and structural graph encodings. On emotion
detection, we investigate how different text representations and model choices affect
performance on two large emotion datasets. We assess the impact of different annotation
approaches ...
Representation learning is the field of modern machine learning focused on
automatically producing useful representations from data. This thesis studies the impact of
data volumes, annotation perspectives, and structural properties on learnable
representations for textual emotion detection and structural graph encodings. On emotion
detection, we investigate how different text representations and model choices affect
performance on two large emotion datasets. We assess the impact of different annotation
approaches by studying differences between how writers express and readers perceive
emotions. On graph representations, we propose two encodings of ego-network subgraphs
and analyze their theoretical properties. Our encodings can act as input features or
leveraged during learning, boosting the theoretical expressivity of message-passing and
subgraph neural network architectures. On several large experimental benchmarks, we find
they also improve the predictive performance and efficiency of popular graph models. Our
work deepens the practical understanding of learnable representations on both domains.
+
El aprendizaje de representaciones estudia cómo producir representaciones
útiles a partir de datos. Esta tesis estudia el impacto del volumen de datos, las perspectivas
de anotación y las propiedades estructurales en representaciones para la detección textual
de emociones y la representación de estructuras en grafos. En detección emocional,
investigamos cómo las representaciones del texto y arquitecturas de modelado afectan al
rendimiento predictivo en dos conjuntos de datos emocionales a gran escala. ...
El aprendizaje de representaciones estudia cómo producir representaciones
útiles a partir de datos. Esta tesis estudia el impacto del volumen de datos, las perspectivas
de anotación y las propiedades estructurales en representaciones para la detección textual
de emociones y la representación de estructuras en grafos. En detección emocional,
investigamos cómo las representaciones del texto y arquitecturas de modelado afectan al
rendimiento predictivo en dos conjuntos de datos emocionales a gran escala. Evaluamos el
impacto de diferentes enfoques de anotación estudiando diferencias entre cómo los autores
expresan y los lectores perciben emociones. Para representar grafos, proponemos dos
representaciones de redes 'ego' y analizamos sus propiedades teóricas. Nuestras
representaciones pueden actuar como características de entrada o aprovecharse durante el
aprendizaje, aumentando la expresividad de redes neuronales en grafos. Empiricamente,
nuestras representaciones mejoran el rendimiento predictivo de modelos populares en
grafos. En conjunto, nuestro trabajo profundiza el conocimiento práctico sobre las
representaciones en ambos dominios.
+
Programa de Doctorat en Tecnologies de la Informació i les Comunicacions
