論文の概要: Modeling Label Semantics for Predicting Emotional Reactions

• arxiv url: http://arxiv.org/abs/2006.05489v2
• Date: Sun, 28 Jun 2020 23:47:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:53:38.440359
• Title: Modeling Label Semantics for Predicting Emotional Reactions
• Title（参考訳）: 感情反応予測のためのラベルセマンティクスのモデル化
• Authors: Radhika Gaonkar, Heeyoung Kwon, Mohaddeseh Bastan, Niranjan Balasubramanian, Nathanael Chambers
• Abstract要約: イベントがストーリーのキャラクターの感情をいかに引き起こすかを予測することは、通常、標準的なマルチラベル分類タスクと見なされる。 感情ラベルのセマンティクスは、入力ストーリーを表現する際のモデルの注意を導くことができる。 ラベル埋め込みを通じてラベルクラスを明示的にモデル化し、トレーニング中と推論時にラベルとラベルの相関を追跡するメカニズムを追加します。
• 参考スコア（独自算出の注目度）: 21.388457946558976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting how events induce emotions in the characters of a story is typically seen as a standard multi-label classification task, which usually treats labels as anonymous classes to predict. They ignore information that may be conveyed by the emotion labels themselves. We propose that the semantics of emotion labels can guide a model's attention when representing the input story. Further, we observe that the emotions evoked by an event are often related: an event that evokes joy is unlikely to also evoke sadness. In this work, we explicitly model label classes via label embeddings, and add mechanisms that track label-label correlations both during training and inference. We also introduce a new semi-supervision strategy that regularizes for the correlations on unlabeled data. Our empirical evaluations show that modeling label semantics yields consistent benefits, and we advance the state-of-the-art on an emotion inference task.
• Abstract（参考訳）: イベントがストーリーのキャラクターの感情をどのように引き起こすかを予測することは、通常、標準的なマルチラベル分類タスクと見なされ、通常はラベルを予測するために匿名クラスとして扱う。 彼らは感情ラベル自体によって伝達される可能性のある情報を無視する。 感情ラベルのセマンティクスは、入力ストーリーを表現する際のモデルの注意を導くことができる。 さらに、出来事によって引き起こされる感情は、しばしば関連している:喜びを引き起こす出来事もまた悲しみを引き起こすことはありそうにない。 本研究では,ラベル埋め込みによるラベルクラスを明示的にモデル化し,ラベルとラベルの相関関係を追跡する機構を追加する。 また,ラベルなしデータの相関を規則化する新しい半スーパービジョン戦略も導入する。 私たちの経験的評価では,ラベル意味論のモデル化は一貫した利点をもたらし,感情推論タスクの最先端を前進させる。

関連論文リスト

• The Whole Is Bigger Than the Sum of Its Parts: Modeling Individual Annotators to Capture Emotional Variability [7.1394038985662664]
  感情表現と知覚はニュアンスがあり、複雑で、非常に主観的なプロセスである。 ほとんどの音声感情認識タスクは、アノテータラベルを基底真理として平均化することでこの問題に対処する。 従来の研究は感情の多様性を捉えるために分布を学習しようとしたが、これらの手法は個々のアノテータに関する情報も失っている。 本研究では,モデル学習中の感情分布の学習を可能にする連続モデル出力から分布を生成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T19:24:06Z)
• LanSER: Language-Model Supported Speech Emotion Recognition [25.597250907836152]
  本稿では,学習済みの大規模言語モデルを用いて弱い感情ラベルを推定することにより,ラベルなしデータの利用を可能にするLanSERを提案する。 分類学に制約された弱いラベルを推定するために、自動音声認識により抽出された音声の書き起こしに対して、最も深いスコアを持つ感情ラベルを選択するテキスト・エンタテインメント・アプローチを用いる。 実験結果から, 従来のSERデータセットのベースラインモデルでは, 精度が向上し, ラベル効率が向上した。
  論文  参考訳（メタデータ） (2023-09-07T19:21:08Z)
• Leveraging Label Information for Multimodal Emotion Recognition [22.318092635089464]
  マルチモーダル感情認識(MER)は、音声とテキスト情報を組み合わせることで、与えられた表現の感情状態を検出することを目的としている。 ラベル情報を利用した新しいMER手法を提案する。 我々は,ラベルを意識したテキストと音声表現を融合して感情分類を行うための新しいラベル誘導注意融合モジュールを考案した。
  論文  参考訳（メタデータ） (2023-09-05T10:26:32Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• Unifying the Discrete and Continuous Emotion labels for Speech Emotion Recognition [28.881092401807894]
  音声からの感情検出のためのパラ言語分析では、感情は離散的または次元的(連続的な評価)ラベルと同一視されている。 本研究では,連続的感情特性と離散的感情特性を共同で予測するモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-29T16:12:31Z)
• Leveraging Label Correlations in a Multi-label Setting: A Case Study in Emotion [0.0]
  マルチラベル感情認識モデルにおけるラベル相関を利用して感情検出を改善する。 単言語BERTモデルを用いたSemEval 2018 Task 1 E-cにおいて、スペイン語、英語、アラビア語で最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-10-28T02:27:18Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• Label Distribution Amendment with Emotional Semantic Correlations for Facial Expression Recognition [69.18918567657757]
  意味空間における表現間の相関を利用して,各顔画像のラベル分布を補正する手法を提案する。 各画像のセマンティックグラフとタスククラス関連グラフを比較することにより、そのラベル分布の信頼性を評価する。 実験により,提案手法は最先端手法と比較した場合よりも有効であることが示された。
  論文  参考訳（メタデータ） (2021-07-23T07:46:14Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
  本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。 我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。 これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
  論文  参考訳（メタデータ） (2020-10-18T18:59:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。