論文の概要: Emotion Prediction Oriented method with Multiple Supervisions for Emotion-Cause Pair Extraction

• arxiv url: http://arxiv.org/abs/2302.12417v1
• Date: Fri, 24 Feb 2023 02:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 14:53:07.258072
• Title: Emotion Prediction Oriented method with Multiple Supervisions for Emotion-Cause Pair Extraction
• Title（参考訳）: 感情要因対抽出のための複数監督による感情予測指向手法
• Authors: Guimin Hu and Yi Zhao and Guangming Lu
• Abstract要約: 感情予測(EPO-ECPE)を指向したエンドツーエンドの感情原因抽出手法を提案する。 感情予測と感情によるペア抽出の強い依存を考慮し,同期機構を提案する。 実験の結果,本手法は13種類の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）: 25.977822090584617
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Emotion-cause pair extraction (ECPE) task aims to extract all the pairs of emotions and their causes from an unannotated emotion text. The previous works usually extract the emotion-cause pairs from two perspectives of emotion and cause. However, emotion extraction is more crucial to the ECPE task than cause extraction. Motivated by this analysis, we propose an end-to-end emotion-cause extraction approach oriented toward emotion prediction (EPO-ECPE), aiming to fully exploit the potential of emotion prediction to enhance emotion-cause pair extraction. Considering the strong dependence between emotion prediction and emotion-cause pair extraction, we propose a synchronization mechanism to share their improvement in the training process. That is, the improvement of emotion prediction can facilitate the emotion-cause pair extraction, and then the results of emotion-cause pair extraction can also be used to improve the accuracy of emotion prediction simultaneously. For the emotion-cause pair extraction, we divide it into genuine pair supervision and fake pair supervision, where the genuine pair supervision learns from the pairs with more possibility to be emotion-cause pairs. In contrast, fake pair supervision learns from other pairs. In this way, the emotion-cause pairs can be extracted directly from the genuine pair, thereby reducing the difficulty of extraction. Experimental results show that our approach outperforms the 13 compared systems and achieves new state-of-the-art performance.
• Abstract（参考訳）: 感情原因ペア抽出(ECPE)タスクは、無注釈の感情テキストからすべての感情とその原因を抽出することを目的としている。 前作は通常、感情と原因の2つの視点から感情によるペアを抽出する。 しかし、感情抽出は原因抽出よりもECPEタスクにおいて重要である。 本研究では,感情予測の可能性を最大限に活用し,感情のペア抽出を促進することを目的として,感情予測(epo-ecpe)を指向したエンド・ツー・エンド感情抽出手法を提案する。 感情予測と感情によるペア抽出の強い依存を考慮し、学習過程における改善を共有するための同期機構を提案する。 すなわち、感情予測の改善により、感情原因のペア抽出が容易になり、感情原因のペア抽出の結果も同時に感情予測の精度を向上させるために使用できる。 感情によって引き起こされるペアの抽出については、本物のペアの監督と偽のペアの監督に分割し、真のペアの監督は感情によって引き起こされるペアになる可能性の高いペアから学ぶ。 対照的に、偽ペア監視は他のペアから学習する。 これにより、感情原因対を真対から直接抽出することができ、抽出の難しさを低減できる。 実験の結果,本手法は比較した13のシステムより優れ,新しい最先端性能を実現していることがわかった。

関連論文リスト

• Think out Loud: Emotion Deducing Explanation in Dialogues [57.90554323226896]
  対話における感情推論(Emotion Deducing Explanation in Dialogues)を提案する。 EDENは感情と原因を明確な考え方で認識する。 大規模言語モデル(LLM)が感情や原因をよりよく認識するのに役立ちます。
  論文  参考訳（メタデータ） (2024-06-07T08:58:29Z)
• ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
  CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。 CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。 本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
  論文  参考訳（メタデータ） (2024-05-17T15:45:08Z)
• Samsung Research China-Beijing at SemEval-2024 Task 3: A multi-stage framework for Emotion-Cause Pair Extraction in Conversations [12.095837596104552]
  人間とコンピュータの相互作用においては、エージェントは感情を理解することで人間に反応することが不可欠である。 会話におけるマルチモーダル感情因果ペア抽出というタスクは、感情を認識し、因果表現を識別する役割を担っている。 本研究では,感情を生成するための多段階フレームワークを提案し,対象感情から感情因果対を抽出する。
  論文  参考訳（メタデータ） (2024-04-25T11:52:21Z)
• emotion2vec: Self-Supervised Pre-Training for Speech Emotion Representation [42.29118614670941]
  普遍的な音声感情表現モデルである感情2vecを提案する。 感情2vecは自己監督型オンライン蒸留を通じてラベルなしの感情データに基づいて事前訓練される。 最先端の訓練済みユニバーサルモデルや感情スペシャリストモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-23T07:46:55Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
  視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。 具体的には、まず感情圏を構築し、その内にある感情状態を統一する。 提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
  論文  参考訳（メタデータ） (2021-06-23T14:53:27Z)
• Emotion pattern detection on facial videos using functional statistics [62.997667081978825]
  顔面筋運動の有意なパターンを抽出する機能的ANOVAに基づく手法を提案する。 感情群間の表現に時間的差があるかどうかを関数fテストを用いて判定する。
  論文  参考訳（メタデータ） (2021-03-01T08:31:08Z)
• Emotion Correlation Mining Through Deep Learning Models on Natural Language Text [3.23176099204268]
  Webニュースからの自然言語テキストを通して感情認識と感情相関のギャップを埋めようとしている。 テキストによる感情認識から感情相関を抽出するために,3種類の特徴と2種類のディープニューラルネットワークモデルを示す。
  論文  参考訳（メタデータ） (2020-07-28T08:59:16Z)
• Emotion Recognition From Gait Analyses: Current Research and Future Directions [48.93172413752614]
  歩行はウォーカーの感情に関する情報を伝える 様々な感情と歩行パターンのマッピングは、感情の自動認識のための新しい情報源を提供する。 歩行は遠隔観察可能で 模倣が困難で 被験者との協力も少ない
  論文  参考訳（メタデータ） (2020-03-13T08:22:33Z)
• End-to-end Emotion-Cause Pair Extraction via Learning to Link [18.741585103275334]
  感情原因ペア抽出(ECPE)は、文書中の感情とその根本原因を共同で調査することを目的としている。 既存のECPEのアプローチでは、(1)感情と原因の検出、(2)検出された感情と原因のペアリングという2段階の手法が一般的である。 本稿では, 感情, 原因, 感情原因のペアをエンドツーエンドで同時に抽出できるマルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-25T07:49:12Z)

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。