論文の概要: Leveraging Emotion-specific Features to Improve Transformer Performance
for Emotion Classification
- arxiv url: http://arxiv.org/abs/2205.00283v1
- Date: Sat, 30 Apr 2022 14:36:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 09:43:31.555337
- Title: Leveraging Emotion-specific Features to Improve Transformer Performance
for Emotion Classification
- Title(参考訳): 感情分類におけるトランスフォーマー性能向上のための感情特徴の活用
- Authors: Shaily Desai, Atharva Kshirsagar, Aditi Sidnerlikar, Nikhil Khodake,
Manisha Marathe
- Abstract要約: 本稿では,チームPVGs AI ClubによるWASSA 2022における感情分類共有タスクへのアプローチについて述べる。
このトラック2のサブタスクは、ニュース記事のエッセイに基づいてマルチクラスの感情ラベルを予測できるモデルの構築に焦点を当てている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes the approach to the Emotion Classification shared task
held at WASSA 2022 by team PVGs AI Club. This Track 2 sub-task focuses on
building models which can predict a multi-class emotion label based on essays
from news articles where a person, group or another entity is affected.
Baseline transformer models have been demonstrating good results on sequence
classification tasks, and we aim to improve this performance with the help of
ensembling techniques, and by leveraging two variations of emotion-specific
representations. We observe better results than our baseline models and achieve
an accuracy of 0.619 and a macro F1 score of 0.520 on the emotion
classification task.
- Abstract(参考訳): 本稿では,チームPVGs AI ClubによるWASSA 2022における感情分類共有タスクへのアプローチについて述べる。
このトラック2のサブタスクは、人、グループまたは他のエンティティが影響を受けるニュース記事からのエッセイに基づいて、マルチクラスの感情ラベルを予測するモデルの構築に焦点を当てている。
ベースライン変圧器モデルはシーケンス分類タスクにおいて良い結果を示しており、この性能をアンサンブル技術を用いて改善し、2種類の感情特化表現を活用することを目的としている。
我々は,ベースラインモデルよりも優れた結果を観察し,感情分類タスクにおいて0.619の精度と0.520のマクロF1スコアを達成する。
関連論文リスト
- Emotion Classification In Software Engineering Texts: A Comparative
Analysis of Pre-trained Transformers Language Models [0.0]
本稿では、GitHubとStack Overflowのベンチマークデータセットの2つの詳細な感情分類のために、最先端の事前訓練言語モデル(PTM)の比較分析を行う。
我々は、現在最高のパフォーマンスツールであるSEntiMojiに対して、BERT、RoBERTa、ALBERT、DeBERTa、CodeBERT、GraphCodeBERTの6つのトランスフォーマーモデルを評価する。
私たちの研究は、ソフトウェアエンジニアリングの文脈において、Anger、Love、Fear、Joy、Sadness、Surpriseといったニュアンスな感情を認識する上で、PTMがもたらす進歩の強力な証拠を提供します。
論文 参考訳(メタデータ) (2024-01-19T17:43:38Z) - Multimodal Feature Extraction and Fusion for Emotional Reaction
Intensity Estimation and Expression Classification in Videos with
Transformers [47.16005553291036]
我々は,野生(ABAW)2023における2つの影響行動分析のサブチャレンジに対して,その解決策を提示する。
表現分類チャレンジでは,分類の課題を効果的に処理する合理化アプローチを提案する。
これらの特徴を研究、分析、組み合わせることで、マルチモーダルコンテキストにおける感情予測のためのモデルの精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-03-16T09:03:17Z) - Bag of Tricks for Effective Language Model Pretraining and Downstream
Adaptation: A Case Study on GLUE [93.98660272309974]
このレポートでは、ジェネラル言語理解評価のリーダーボードに関するVega v1を簡潔に紹介します。
GLUEは、質問応答、言語受容性、感情分析、テキスト類似性、パラフレーズ検出、自然言語推論を含む9つの自然言語理解タスクのコレクションである。
最適化された事前学習と微調整の戦略により、13億のモデルは4/9タスクに新しい最先端のタスクを設定し、91.3の平均スコアを達成しました。
論文 参考訳(メタデータ) (2023-02-18T09:26:35Z) - Improving the Generalizability of Text-Based Emotion Detection by
Leveraging Transformers with Psycholinguistic Features [27.799032561722893]
本稿では,両方向長短期記憶(BiLSTM)ネットワークと変換器モデル(BERT,RoBERTa)を併用したテキストベースの感情検出手法を提案する。
提案したハイブリッドモデルでは,標準的なトランスフォーマーベースアプローチと比較して,分布外データへの一般化能力の向上が期待できる。
論文 参考訳(メタデータ) (2022-12-19T13:58:48Z) - Optimize_Prime@DravidianLangTech-ACL2022: Emotion Analysis in Tamil [1.0066310107046081]
本稿では,タミル語におけるソーシャルメディアコメントの感情分析を行うことを目的とする。
このタスクは、ソーシャルメディアのコメントを、Joy、Anger、Trust、Disgustなどの感情のカテゴリに分類することを目的としている。
論文 参考訳(メタデータ) (2022-04-19T18:47:18Z) - Guiding Generative Language Models for Data Augmentation in Few-Shot
Text Classification [59.698811329287174]
我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。
実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
論文 参考訳(メタデータ) (2021-11-17T12:10:03Z) - Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。
本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。
本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
論文 参考訳(メタデータ) (2021-04-20T16:55:15Z) - WASSA@IITK at WASSA 2021: Multi-task Learning and Transformer Finetuning
for Emotion Classification and Empathy Prediction [0.0]
本稿では,共感予測と感情分類に関するWASSA 2021共有タスクへの貢献について述べる。
このタスクの幅広い目標は、誰かへの危害に関連する新聞記事に反応して書かれたエッセイの共感スコア、苦難スコア、全体的な感情レベルをモデル化することであった。
ELECTRAモデルを豊富に使用し、マルチタスク学習のような高度なディープラーニングアプローチも提供しています。
論文 参考訳(メタデータ) (2021-04-20T08:24:10Z) - Direct Classification of Emotional Intensity [4.360819666001918]
我々は、0から10までの強度スコアを出力する、さまざまな人の笑顔のビデオを使用して、モデルをトレーニングする。
そこで,本モデルは適応学習技術を用いて,新しい科目を扱う際の性能を向上させる。
論文 参考訳(メタデータ) (2020-11-15T06:32:48Z) - Modality-Transferable Emotion Embeddings for Low-Resource Multimodal
Emotion Recognition [55.44502358463217]
本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。
我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。
私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
論文 参考訳(メタデータ) (2020-09-21T06:10:39Z) - EmoGraph: Capturing Emotion Correlations using Graph Networks [71.53159402053392]
グラフネットワークを通じて異なる感情間の依存関係をキャプチャするEmoGraphを提案する。
EmoGraphは特にマクロF1において、強いベースラインを上回ります。
キャプチャーされた感情相関は、シングルラベルの分類作業にも有用であることを示す実験である。
論文 参考訳(メタデータ) (2020-08-21T08:59:29Z)
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。