論文の概要: Hybrid Curriculum Learning for Emotion Recognition in Conversation
- arxiv url: http://arxiv.org/abs/2112.11718v1
- Date: Wed, 22 Dec 2021 08:02:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 14:21:07.296536
- Title: Hybrid Curriculum Learning for Emotion Recognition in Conversation
- Title（参考訳）: 会話における感情認識のためのハイブリッドカリキュラム学習
- Authors: Lin Yang, Yi Shen, Yue Mao, Longjun Cai
- Abstract要約: 本枠組みは,(1)会話レベルカリキュラム(CC)と(2)発話レベルカリキュラム(UC)の2つのカリキュラムから構成される。
提案したモデルに依存しないハイブリッドカリキュラム学習戦略により,既存のERCモデルに対する大幅な性能向上が観測された。
- 参考スコア（独自算出の注目度）: 10.912215835115063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emotion recognition in conversation (ERC) aims to detect the emotion label
for each utterance. Motivated by recent studies which have proven that feeding
training examples in a meaningful order rather than considering them randomly
can boost the performance of models, we propose an ERC-oriented hybrid
curriculum learning framework. Our framework consists of two curricula: (1)
conversation-level curriculum (CC); and (2) utterance-level curriculum (UC). In
CC, we construct a difficulty measurer based on "emotion shift" frequency
within a conversation, then the conversations are scheduled in an "easy to
hard" schema according to the difficulty score returned by the difficulty
measurer. For UC, it is implemented from an emotion-similarity perspective,
which progressively strengthens the model's ability in identifying the
confusing emotions. With the proposed model-agnostic hybrid curriculum learning
strategy, we observe significant performance boosts over a wide range of
existing ERC models and we are able to achieve new state-of-the-art results on
four public ERC datasets.
- Abstract（参考訳）: 会話における感情認識(ERC)は、発話毎に感情ラベルを検出することを目的としている。
近年の研究によって、トレーニング例を無作為に考慮するのではなく、有意義な順序で提供することで、モデルのパフォーマンスを向上できることが証明されている。
本フレームワークは,(1)会話レベルカリキュラム(CC)と(2)発話レベルカリキュラム(UC)の2つのカリキュラムから構成される。
CCでは,会話中の「感情シフト」頻度に基づいて難易度測定器を構築し,難易度測定器が返す難易度スコアに応じて,会話を「易易度」スキーマでスケジュールする。
UCの場合、感情の相似性の観点から実装され、混乱した感情を識別するモデルの能力を徐々に強化する。
提案するモデル非依存型ハイブリッドカリキュラム学習戦略により,既存のercモデルに対する大幅なパフォーマンス向上を観察し,4つの公開ercデータセットで新たな最先端結果を得ることができた。
関連論文リスト
- 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) - Context-Aware Siamese Networks for Efficient Emotion Recognition in Conversation [1.1095648823126325]
本稿では,メトリクス学習訓練戦略に組み込む会話コンテキストをモデル化する手法を提案する。
対話における感情分類のためのマクロF1スコアの57.71を,Siamese Networkアーキテクチャによるメトリック学習を用いて獲得する。
論文 参考訳（メタデータ） (2024-04-17T07:36:40Z) - Watch the Speakers: A Hybrid Continuous Attribution Network for Emotion
Recognition in Conversation With Emotion Disentanglement [8.17164107060944]
Emotion Recognition in Conversation (ERC) は自然言語処理分野で広く注目を集めている。
既存のERC手法では、コンテキストのモデリングが不十分なため、様々なシナリオへの一般化が困難である。
本稿では,これらの課題に対処するハイブリッド連続帰属ネットワーク(HCAN)について,感情的継続と感情的帰属の観点から紹介する。
論文 参考訳（メタデータ） (2023-09-18T14:18:16Z) - Facilitating Multi-turn Emotional Support Conversation with Positive
Emotion Elicitation: A Reinforcement Learning Approach [58.88422314998018]
感情支援会話(ESC)は、精神状態を改善するための感情支援(ES)を提供することを目的としている。
既存の作業は、ESへの影響を無視し、感情的なポジティブな移行を導くための明確な目標が欠如している、接地された応答と対応戦略に留まっている。
マルチターンESCを肯定的感情誘発のプロセスとして定式化する新しいパラダイムを導入する。
論文 参考訳（メタデータ） (2023-07-16T09:58:44Z) - EmotionIC: emotional inertia and contagion-driven dependency modeling for emotion recognition in conversation [34.24557248359872]
本稿では,ERCタスクに対する感情的慣性・伝染型依存性モデリング手法(EmotionIC)を提案する。
EmotionICは3つの主要コンポーネント、すなわちIDマスク付きマルチヘッド注意(IMMHA)、対話型Gated Recurrent Unit(DiaGRU)、Skip-chain Conditional Random Field(SkipCRF)から構成されている。
実験結果から,提案手法は4つのベンチマークデータセットにおいて,最先端のモデルよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-20T13:58:35Z) - A Hierarchical Regression Chain Framework for Affective Vocal Burst
Recognition [72.36055502078193]
本稿では,声帯からの感情認識のための連鎖回帰モデルに基づく階層的枠組みを提案する。
データスパシティの課題に対処するため、レイヤワイドおよび時間アグリゲーションモジュールを備えた自己教師付き学習(SSL)表現も使用しています。
提案されたシステムは、ACII Affective Vocal Burst (A-VB) Challenge 2022に参加し、「TWO」および「CULTURE」タスクで第1位となった。
論文 参考訳（メタデータ） (2023-03-14T16:08:45Z) - Supervised Prototypical Contrastive Learning for Emotion Recognition in
Conversation [25.108385802645163]
本稿では,感情認識タスクにおけるSPCL(Supervised Prototypeal Contrastive Learning)の損失を提案する。
授業間距離に基づく難易度測定関数を設計し、極端なサンプルの影響を軽減するためのカリキュラム学習を導入する。
3つの広く使用されているベンチマークで最先端の結果を得る。
論文 参考訳（メタデータ） (2022-10-17T03:08:23Z) - MEmoBERT: Pre-training Model with Prompt-based Learning for Multimodal
Emotion Recognition [118.73025093045652]
マルチモーダル感情認識のための事前学習モデル textbfMEmoBERT を提案する。
従来の「訓練前、微妙な」パラダイムとは異なり、下流の感情分類タスクをマスク付きテキスト予測として再構成するプロンプトベースの手法を提案する。
提案するMEMOBERTは感情認識性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-10-27T09:57:00Z) - Reinforcement Learning for Emotional Text-to-Speech Synthesis with
Improved Emotion Discriminability [82.39099867188547]
感情的テキスト音声合成(ETTS)は近年大きく進歩している。
i-ETTSと呼ばれるETTSの新しい対話型トレーニングパラダイムを提案する。
i-ETTSの最適化品質を確保するため、強化学習による反復トレーニング戦略を策定します。
論文 参考訳（メタデータ） (2021-04-03T13:52:47Z) - Dialogue Response Selection with Hierarchical Curriculum Learning [52.3318584971562]
対話応答選択のためのマッチングモデルの学習について検討する。
近年,ランダムなネガティブは信頼度の高いモデルを学習するには自明すぎることが判明し,階層的なカリキュラム学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-29T14:06:41Z)
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。