Fugu-MT 論文翻訳(概要): DSC IIT-ISM at SemEval-2020 Task 8: Bi-Fusion Techniques for Deep Meme Emotion Analysis

論文の概要: DSC IIT-ISM at SemEval-2020 Task 8: Bi-Fusion Techniques for Deep Meme Emotion Analysis

arxiv url: http://arxiv.org/abs/2008.00825v1
Date: Tue, 28 Jul 2020 17:23:35 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 02:37:25.079377
Title: DSC IIT-ISM at SemEval-2020 Task 8: Bi-Fusion Techniques for Deep Meme Emotion Analysis
Title（参考訳）: DSC IIT-ISM at SemEval-2020 Task 8: Bi-Fusion Techniques for Deep Meme Emotion Analysis
Authors: Pradyumna Gupta, Himanshu Gupta, Aman Sinha
Abstract要約: 本稿では,SemEval 2020における感情分析共有タスクについて述べる。本稿では,感情とユーモアの分類タスクに対するモーダル間の依存性を平均化するバイモーダル融合技術を用いたシステムを提案する。
参考スコア（独自算出の注目度）: 5.259920715958942
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Memes have become an ubiquitous social media entity and the processing and analysis of suchmultimodal data is currently an active area of research. This paper presents our work on theMemotion Analysis shared task of SemEval 2020, which involves the sentiment and humoranalysis of memes. We propose a system which uses different bimodal fusion techniques toleverage the inter-modal dependency for sentiment and humor classification tasks. Out of all ourexperiments, the best system improved the baseline with macro F1 scores of 0.357 on SentimentClassification (Task A), 0.510 on Humor Classification (Task B) and 0.312 on Scales of SemanticClasses (Task C).
Abstract（参考訳）: ミームはユビキタスなソーシャルメディアの実体となり、そのようなマルチモーダルデータの処理と分析は、現在活発な研究分野である。本稿では,ミームの感情分析とユーモラス分析を含むSemEval 2020における感情分析共有タスクについて述べる。異なるバイモーダル融合技術を用いて感情・ユーモア分類タスクにおけるモーダル間依存性を推定するシステムを提案する。全実験のうち,最良システムは,感性分類(Task A)では0.357点,感性分類(Task B)では0.510点,セマンティッククラス(Task C)では0.312点のベースラインを改良した。

関連論文リスト

MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
論文参考訳（メタデータ） (2024-11-18T02:09:48Z)
Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
論文参考訳（メタデータ） (2024-04-26T07:30:32Z)
PetKaz at SemEval-2024 Task 3: Advancing Emotion Classification with an LLM for Emotion-Cause Pair Extraction in Conversations [4.463184061618504]
我々はSemEval-2023タスク3「会話におけるマルチモーダル感情原因分析の競争」に応募する。我々のアプローチは感情分類のための微調整GPT-3.5と、原因を検出するためのBiLSTMベースのニューラルネットワークの組み合わせに依存している。
論文参考訳（メタデータ） (2024-04-08T13:25:03Z)
UniSA: Unified Generative Framework for Sentiment Analysis [48.78262926516856]
感情分析は、人々の感情状態を理解し、マルチモーダル情報に基づいて感情カテゴリーを予測することを目的としている。会話における感情認識(ERC)、アスペクトベース感情分析(ABSA)、マルチモーダル感情分析(MSA)など、いくつかのサブタスクから構成される。
論文参考訳（メタデータ） (2023-09-04T03:49:30Z)
Incorporating Emotions into Health Mention Classification Task on Social Media [70.23889100356091]
情緒的特徴を取り入れた健康言及分類のための枠組みを提案する。我々は,ソーシャルメディアプラットフォームによる5つのHMC関連データセットに対するアプローチを評価した。以上の結果から,感情的な知識を取り入れたHMCモデルが有効な選択肢であることが示唆された。
論文参考訳（メタデータ） (2022-12-09T18:38:41Z)
Set-based Meta-Interpolation for Few-Task Meta-Learning [79.4236527774689]
そこで本研究では,メタトレーニングタスクの分散化を目的とした,ドメインに依存しないタスク拡張手法Meta-Interpolationを提案する。様々な領域にまたがる8つのデータセットに対してメタ補間の有効性を実証的に検証した。
論文参考訳（メタデータ） (2022-05-20T06:53:03Z)
Multimodal Analysis of memes for sentiment extraction [0.0]
この研究は、皮肉、喜劇、モチベーション、全体的な感覚に基づいてミームを分類するMemotionデータセットに基づいている。最も優れたアルゴリズムは、ユーモア分類で0.633、動機分類で0.55、皮肉分類で0.61、ミーム全体の感情で0.575というマクロF1スコアを達成した。
論文参考訳（メタデータ） (2021-12-22T12:57:05Z)
Transfer Meta-Learning: Information-Theoretic Bounds and Information Meta-Risk Minimization [47.7605527786164]
メタ学習は、複数の関連するタスクからのデータを観察し、誘導バイアスを自動的に推論する。本稿では,メタテスト中に目標タスク環境からタスクを抽出するトランスファーメタラーニングの問題を紹介する。
論文参考訳（メタデータ） (2020-11-04T12:55:43Z)
UPB at SemEval-2020 Task 8: Joint Textual and Visual Modeling in a Multi-Task Learning Architecture for Memotion Analysis [1.2233362977312945]
本稿では,SemEval-2020 Task 8: Memotion Analysisのためのシステムについて述べる。テキストエンコーディングのためのALBERTと画像表現のためのVGG-16を組み合わせたマルチモーダルマルチタスク学習アーキテクチャである。提案手法は,第11位がSubtask A(0.3453マクロF1スコア),第1位がSubtask B(0.5183マクロF1スコア),第3位がSubtask C(0.3171マクロF1スコア)である。
論文参考訳（メタデータ） (2020-09-06T17:17:41Z)
SemEval-2020 Task 8: Memotion Analysis -- The Visuo-Lingual Metaphor! [20.55903557920223]
本提案の目的は,インターネットミームの自動処理に研究コミュニティの注意を向けることである。タスクMemotion分析は、10Kのアノテートミームをリリースし、人間のアノテートラベルは感情(肯定的、否定的、中立的)、感情のタイプ(皮肉的、面白い、攻撃的、動機的、動機的)とそれに対応する強さである。課題は、ミームの感情(肯定的、否定的、中立的)分析、全体的な感情(感情、皮肉、攻撃的、動機的)分類、ミームの強さの分類である。
論文参考訳（メタデータ） (2020-08-09T18:17:33Z)
IITK at SemEval-2020 Task 8: Unimodal and Bimodal Sentiment Analysis of Internet Memes [2.2385755093672044]
本稿では,SemEval-2020 Task 8における感情分析問題に対するアプローチを提案する。このタスクの目的は、感情の内容と感情に基づいてミームを分類することである。この結果から,Word2vecを入力として組み込んだ単純なフィードフォワードニューラルネットワーク(FFNN)は,他のすべてよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-07-21T14:06:26Z)

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。