[论文翻译]基于大语言模型的多任务学习在隐式情感分析中的应用：数据级与任务级自动权重学习
摘要—隐式情感分析(ISA)由于缺乏显著线索词而面临重大挑战。先前方法因数据不足和推理能力有限而难以推断潜在观点。将多任务学习(MTL)与大语言模型(LLM)相结合，有望使不同规模的模型可靠地感知和识别ISA中的真实观点。然而现有MTL方法受限于两类不确定性：数据级不确定性(源于LLM生成上下文信息时的幻觉问题)和任务级不确定性(源于模型处理上下文信息的能力差异)。为处理这些不确定性，我们提出MT-ISA——一种通过自动MTL利用LLM生成与推理能力来增强ISA的新型MTL框架。具体而言，MT-ISA利用生成式LLM构建辅助任务以补充情感要素，并采用自动MTL充分挖掘辅助数据。我们提出数据级与任务级自动权重学习(AWL)，动态识别关系并优先处理更可靠的数据和关键任务，使不同规模模型能基于其推理能力自适应学习细粒度权重。我们研究了三种数据级AWL策略，同时为任务级AWL引入同方差不确定性。大量实验表明，不同规模模型在MT-ISA中实现了主要预测与辅助任务的最佳平衡，验证了我们方法的有效性与适应性。
