論文の概要: Understanding the Role of Affect Dimensions in Detecting Emotions from Tweets: A Multi-task Approach

• arxiv url: http://arxiv.org/abs/2105.03983v1
• Date: Sun, 9 May 2021 18:07:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 04:17:51.437166
• Title: Understanding the Role of Affect Dimensions in Detecting Emotions from Tweets: A Multi-task Approach
• Title（参考訳）: つぶやきからの感情検出における影響次元の役割を理解する:マルチタスクアプローチ
• Authors: Rajdeep Mukherjee, Atharva Naik, Sriyash Poddar, Soham Dasgupta, Niloy Ganguly
• Abstract要約: 本稿では,感情表現のカテゴリー的モデルと次元的モデルとの相関を利用して主観的分析を行うVADECを提案する。 マルチラベル感情分類と多次元感情回帰を共同トレーニングし、タスク間の関連性を活用します。
• 参考スコア（独自算出の注目度）: 14.725717500450623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose VADEC, a multi-task framework that exploits the correlation between the categorical and dimensional models of emotion representation for better subjectivity analysis. Focusing primarily on the effective detection of emotions from tweets, we jointly train multi-label emotion classification and multi-dimensional emotion regression, thereby utilizing the inter-relatedness between the tasks. Co-training especially helps in improving the performance of the classification task as we outperform the strongest baselines with 3.4%, 11%, and 3.9% gains in Jaccard Accuracy, Macro-F1, and Micro-F1 scores respectively on the AIT dataset. We also achieve state-of-the-art results with 11.3% gains averaged over six different metrics on the SenWave dataset. For the regression task, VADEC, when trained with SenWave, achieves 7.6% and 16.5% gains in Pearson Correlation scores over the current state-of-the-art on the EMOBANK dataset for the Valence (V) and Dominance (D) affect dimensions respectively. We conclude our work with a case study on COVID-19 tweets posted by Indians that further helps in establishing the efficacy of our proposed solution.
• Abstract（参考訳）: 本研究では,感情表現のカテゴリーモデルと次元モデルの相関を利用して主観分析を行うマルチタスクフレームワークvadecを提案する。 つぶやきから感情を効果的に検出することに着目し,マルチラベル感情分類と多次元感情回帰を共同で学習し,タスク間の相互関連性を活用する。 aitデータセット上では,jaccard精度,マクロf1,マイクロf1スコアがそれぞれ3.4%,11%,3.9%と,最強のベースラインを上回っているため,コトレーニングは特に分類タスクのパフォーマンス向上に寄与する。 また、センウェーブデータセット上の6つの異なるメトリクスに対して平均11.3%の利益が得られた。 回帰タスクでは、VADECがSenWaveでトレーニングすると、ピアソン相関スコアの7.6%と16.5%が、EMOBANKデータセットにおけるValence(V)とDominance(D)のそれぞれに影響を及ぼす。 われわれは、インド人が投稿した新型コロナウイルス(covid-19)のツイートに関するケーススタディで締めくくった。

関連論文リスト

• An Exploration of Self-Supervised Mutual Information Alignment for Multi-Task Settings [0.0]
  SAMI(Self-Supervised Alignment with Mutual Information)は、行動選好とモデル応答の接続を促進するために条件付き相互情報を使用する。 マルチタスク環境でSAMIを探索する2つの実験を行った。 SAMIの1つのイテレーションは、DPOに対して57%の勝利率を持ち、タスクカテゴリ間のパフォーマンスに大きな変化がある。
  論文  参考訳（メタデータ） (2024-10-02T16:15:04Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• The 6th Affective Behavior Analysis in-the-wild (ABAW) Competition [53.718777420180395]
  本稿では,第6回ABAWコンペティションについて述べる。 第6回ABAWコンペティションは、人間の感情や行動を理解する上での現代の課題に対処する。
  論文  参考訳（メタデータ） (2024-02-29T16:49:38Z)
• Deep Imbalanced Learning for Multimodal Emotion Recognition in Conversations [15.705757672984662]
  会話におけるマルチモーダル感情認識(MERC)は、マシンインテリジェンスにとって重要な開発方向である。 MERCのデータの多くは自然に感情カテゴリーの不均衡な分布を示しており、研究者は感情認識に対する不均衡なデータの負の影響を無視している。 生データにおける感情カテゴリーの不均衡分布に対処するクラス境界拡張表現学習(CBERL)モデルを提案する。 我々は,IEMOCAPおよびMELDベンチマークデータセットの広範な実験を行い,CBERLが感情認識の有効性において一定の性能向上を達成したことを示す。
  論文  参考訳（メタデータ） (2023-12-11T12:35:17Z)
• Tool-Augmented Reward Modeling [58.381678612409]
  本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。 我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。 人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
  論文  参考訳（メタデータ） (2023-10-02T09:47:40Z)
• Emotional Reaction Intensity Estimation Based on Multimodal Data [24.353102762289545]
  本稿では,感情反応強度(ERI)推定法について紹介する。 発声器が提供するマルチモーダルデータに基づいて,事前学習した異なるモデルを用いて,音響的特徴と視覚的特徴を抽出する。
  論文  参考訳（メタデータ） (2023-03-16T09:14:47Z)
• 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)
• FAF: A novel multimodal emotion recognition approach integrating face, body and text [13.485538135494153]
  我々は、感情認識作業を容易にするために、大規模マルチモーダル感情データセット「HED」を構築した。 認識の精度を高めるため,重要な感情情報の探索に「特徴アフター・フィーチャー」フレームワークが用いられた。 我々は、"HED"データセットの評価に様々なベンチマークを使用し、その性能を本手法と比較した。
  論文  参考訳（メタデータ） (2022-11-20T14:43:36Z)
• Learning from Label Relationships in Human Affect [13.592112044121683]
  我々は、学習を規則化し、より良い一般化をもたらす、多ラベル回帰と順序問題に対する新たなリレーショナル損失を導入する。 本研究は,精神分裂病の重症度推定問題に対する継続的影響と統合失調症重症度推定の問題について検討した。
  論文  参考訳（メタデータ） (2022-07-12T15:00:54Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)
• DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing [95.18236298557721]
  DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。 実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
  論文  参考訳（メタデータ） (2021-11-22T08:49:33Z)

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。