論文の概要: Distribution-based Emotion Recognition in Conversation

• arxiv url: http://arxiv.org/abs/2211.04834v1
• Date: Wed, 9 Nov 2022 12:16:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 17:32:50.024134
• Title: Distribution-based Emotion Recognition in Conversation
• Title（参考訳）: 会話における分布に基づく感情認識
• Authors: Wen Wu, Chao Zhang, Philip C. Woodland
• Abstract要約: 本稿では,感情分布推定のためのシーケンス・ツー・シーケンス問題としてERCを定式化する分布ベースフレームワークを提案する。 IEMOCAPデータセットの実験結果から,ERCは単一発話ベースシステムよりも優れていた。
• 参考スコア（独自算出の注目度）: 17.26466867595571
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automatic emotion recognition in conversation (ERC) is crucial for emotion-aware conversational artificial intelligence. This paper proposes a distribution-based framework that formulates ERC as a sequence-to-sequence problem for emotion distribution estimation. The inherent ambiguity of emotions and the subjectivity of human perception lead to disagreements in emotion labels, which is handled naturally in our framework from the perspective of uncertainty estimation in emotion distributions. A Bayesian training loss is introduced to improve the uncertainty estimation by conditioning each emotional state on an utterance-specific Dirichlet prior distribution. Experimental results on the IEMOCAP dataset show that ERC outperformed the single-utterance-based system, and the proposed distribution-based ERC methods have not only better classification accuracy, but also show improved uncertainty estimation.
• Abstract（参考訳）: 会話における自動感情認識(ERC)は、感情認識型会話人工知能にとって不可欠である。 本稿では,感情分布推定のためのシーケンス・ツー・シーケンス問題としてERCを定式化する分布ベースフレームワークを提案する。 感情の本来のあいまいさと人間の知覚の主観性は、感情分布の不確実性推定の観点から、我々の枠組みにおいて自然に扱われる感情ラベルの相違につながる。 発話特異的ディリクレ事前分布に各感情状態を条件付けして不確実性推定を改善するためにベイズ訓練損失を導入する。 IEMOCAPデータセットによる実験結果から,ERCは単一発話に基づくシステムよりも優れており,提案手法は分類精度が向上するだけでなく,不確実性の評価も改善していることがわかった。

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)
• Handling Ambiguity in Emotion: From Out-of-Domain Detection to Distribution Estimation [45.53789836426869]
  感情に対する主観的な認識は、人間の注釈からの矛盾したラベルにつながる。 本稿では,あいまいな感情を扱う3つの方法について検討する。 分類器にラベルを付けない発話を付加クラスとして組み込むことで、他の感情クラスの分類性能が低下することを示す。 また,明快な深層学習を用いた感情分類における不確実性を定量化することにより,不明瞭な感情を伴う発話を領域外サンプルとして検出することを提案する。
  論文  参考訳（メタデータ） (2024-02-20T09:53:38Z)
• Towards A Robust Group-level Emotion Recognition via Uncertainty-Aware Learning [29.27161082428625]
  グループレベルの感情認識(GER)は、人間の行動分析の不可分な部分である。 GERのためのより堅牢な表現を抽出する不確実性認識学習(UAL)手法を提案する。 我々は,強騒音に対するモデルの頑健性を高めるために,画像強調モジュールを開発した。
  論文  参考訳（メタデータ） (2023-10-06T15:05:41Z)
• Estimating the Uncertainty in Emotion Attributes using Deep Evidential Regression [17.26466867595571]
  自動感情認識では、異なる人間のアノテータによって同じ発話に割り当てられたラベルはしばしば矛盾する。 本稿では,感情属性の不確かさを推定するために,ベイズ的アプローチであるDeep obviousial emotion regression (DEER)を提案する。 広く使われているMSP-PodcastとIEMOCAPデータセットの実験では、DeERが最先端の結果を生み出した。
  論文  参考訳（メタデータ） (2023-06-11T20:07:29Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Estimating the Uncertainty in Emotion Class Labels with Utterance-Specific Dirichlet Priors [24.365876333182207]
  本稿では,発話ごとのディリクレの事前分布に基づく新たな訓練損失を提案する。 ラベル付けの不確かさの高い試験発話を検出することで、さらなる測定値を用いて性能を評価する。 広く使われているIEMOCAPデータセットによる実験は、2分岐構造が最先端の分類結果を達成することを示した。
  論文  参考訳（メタデータ） (2022-03-08T23:30:01Z)
• End-to-end label uncertainty modeling for speech emotion recognition using Bayesian neural networks [16.708069984516964]
  感情に固有の主観性を捉えるために,エンド・ツー・エンドのベイズニューラルネットワークアーキテクチャを導入する。 トレーニングにおいて、ネットワークは、主観的感情アノテーションに関連する本質的な不確実性を捉えるために、重みの分布を学習する。 AVEC'16感情認識データセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2021-10-07T09:34:28Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)
• Target Guided Emotion Aware Chat Machine [58.8346820846765]
  意味レベルと感情レベルにおける投稿に対する応答の整合性は、人間のような対話を提供する対話システムにとって不可欠である。 この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-15T01:55:37Z)

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。