Fugu-MT 論文翻訳(概要): Using Mobile Data and Deep Models to Assess Auditory Verbal Hallucinations

論文の概要: Using Mobile Data and Deep Models to Assess Auditory Verbal Hallucinations

arxiv url: http://arxiv.org/abs/2304.11049v1
Date: Thu, 20 Apr 2023 15:37:34 GMT
ステータス: 処理完了
システム内更新日: 2023-04-24 14:16:09.213524
Title: Using Mobile Data and Deep Models to Assess Auditory Verbal Hallucinations
Title（参考訳）: モバイルデータとディープモデルを用いた聴覚言語幻聴の評価
Authors: Shayan Mirjafari, Subigya Nepal, Weichen Wang, Andrew T. Campbell
Abstract要約: 聴覚幻覚の一般的な形態は、どの話者もいないときに声を聴くことである。音声を聴くN=435名を対象に,聴覚言語幻聴の評価を行った。
参考スコア（独自算出の注目度）: 3.676944894021643
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Hallucination is an apparent perception in the absence of real external sensory stimuli. An auditory hallucination is a perception of hearing sounds that are not real. A common form of auditory hallucination is hearing voices in the absence of any speakers which is known as Auditory Verbal Hallucination (AVH). AVH is fragments of the mind's creation that mostly occur in people diagnosed with mental illnesses such as bipolar disorder and schizophrenia. Assessing the valence of hallucinated voices (i.e., how negative or positive voices are) can help measure the severity of a mental illness. We study N=435 individuals, who experience hearing voices, to assess auditory verbal hallucination. Participants report the valence of voices they hear four times a day for a month through ecological momentary assessments with questions that have four answering scales from ``not at all'' to ``extremely''. We collect these self-reports as the valence supervision of AVH events via a mobile application. Using the application, participants also record audio diaries to describe the content of hallucinated voices verbally. In addition, we passively collect mobile sensing data as contextual signals. We then experiment with how predictive these linguistic and contextual cues from the audio diary and mobile sensing data are of an auditory verbal hallucination event. Finally, using transfer learning and data fusion techniques, we train a neural net model that predicts the valance of AVH with a performance of 54\% top-1 and 72\% top-2 F1 score.
Abstract（参考訳）: 幻覚は、実際の外部感覚刺激がないという明らかな認識である。聴覚幻覚とは、現実ではない聴覚の知覚である。聴覚幻覚の一般的な形態は、聴覚言語幻覚(Auditory Verbal Hallucination、AVH)として知られる話者がいないときの聴覚である。 AVHは心の創造の断片であり、主に双極性障害や統合失調症などの精神疾患と診断された人々によって生じる。幻声(すなわち、否定声や肯定声)の有能さを評価することは、精神疾患の重症度を測定するのに役立つ。音声を聴くN=435名を対象に,聴覚言語幻聴の評価を行った。参加者は、「全く」から「極端」までの4つの回答尺度を持つ質問に対して、生態学的瞬間的な評価を通じて、1日4回聞く声の価を報告する。モバイルアプリケーションによるAVHイベントの価率監視として,これらの自己報告を収集する。このアプリケーションを用いて、参加者は音声日記を記録し、幻聴音声の内容を記述する。さらに,モバイルセンシングデータを文脈信号として受動的に収集する。次に,これらの言語的・文脈的手がかりを音声日記とモバイルセンシングデータから予測し,その効果について実験を行った。最後に、転送学習とデータ融合技術を用いて、54 % Top-1 と72 % Top-2 F1 のスコアで AVH の値を予測するニューラルネットワークモデルを訓練する。

関連論文リスト

Data-augmented phrase-level alignment for mitigating object hallucination [52.43197107069751]
MLLM(Multimodal Large Language Models)はしばしば幻覚と呼ばれる事実的不正確な情報を生成する。そこで,本研究では,MLLMの命令調整による幻覚の緩和に応用可能な新しい損失であるData-augmented Phrase-level Alignment(DPA)を提案する。
論文参考訳（メタデータ） (2024-05-28T23:36:00Z)
Fakes of Varying Shades: How Warning Affects Human Perception and Engagement Regarding LLM Hallucinations [9.740345290187307]
本研究の目的は,幻覚の程度を体系的に変化させることで,幻覚の人間の知覚を理解することである。その結果,真の内容の正しさに悪影響を及ぼすことなく,覚醒検出の精度が向上することが確認された。
論文参考訳（メタデータ） (2024-04-04T18:34:32Z)
A Cause-Effect Look at Alleviating Hallucination of Knowledge-grounded Dialogue Generation [51.53917938874146]
我々は,対話知識の相互作用を利用して,KGDの幻覚を緩和するための解決策を提案する。本手法は,他の対話性能を損なうことなく幻覚を低減できることを示す。
論文参考訳（メタデータ） (2024-04-04T14:45:26Z)
On Large Language Models' Hallucination with Regard to Known Facts [74.96789694959894]
大規模な言語モデルはファクトイドの質問に答えることに成功したが、幻覚を起こす傾向がある。正しい解答知識を持つLLMの現象を推論力学の観点から検討する。我々の研究は、LLMの幻覚が既知の事実について、そしてより重要なのは、幻覚を正確に予測する理由を理解することに光を当てた。
論文参考訳（メタデータ） (2024-03-29T06:48:30Z)
Hal-Eval: A Universal and Fine-grained Hallucination Evaluation Framework for Large Vision Language Models [35.45859414670449]
我々は,新しいカテゴリーであるイベント幻覚(Event Hallucination)を特徴とする,幻覚の洗練された分類を導入した。次に,多種多様な幻覚からなる微粒な幻覚データの生成とフィルタリングに高度LLMを利用する。提案するベンチマークでは,広帯域の幻覚に対処するLVLMの能力を顕著に評価している。
論文参考訳（メタデータ） (2024-02-24T05:14:52Z)
Careless Whisper: Speech-to-Text Hallucination Harms [0.5242869847419834]
我々は,最先端の音声認識サービスであるOpen AIのWhisperを評価する。その結果、約1%の音声書き起こしが幻覚句や文全体を含んでいることがわかった。我々はWhisperによるハロゲン化コンテンツを理論的に分析し、幻覚の38%には明示的な害が含まれていることを発見した。
論文参考訳（メタデータ） (2024-02-12T19:35:37Z)
Fine-grained Hallucination Detection and Editing for Language Models [109.56911670376932]
大規模言語モデル(LM)は、しばしば幻覚と呼ばれる事実的誤りを引き起こす傾向にある。我々は,幻覚の包括的分類を導入し,幻覚が多様な形態で現れることを議論する。本稿では, 幻覚自動検出のための新しいタスクを提案し, 新たな評価ベンチマークであるFavaBenchを構築した。
論文参考訳（メタデータ） (2024-01-12T19:02:48Z)
Hallucinations in Neural Automatic Speech Recognition: Identifying Errors and Hallucinatory Models [11.492702369437785]
幻覚は、ソースの発声とは意味的に無関係であるが、それでも流動的でコヒーレントである。単語誤り率などの一般的なメトリクスは、幻覚モデルと非幻覚モデルとを区別できないことを示す。本研究は,幻覚を識別する枠組みを考案し,その意味的関係と基礎的真理と流布との関係を解析する。
論文参考訳（メタデータ） (2024-01-03T06:56:56Z)
HalluciDoctor: Mitigating Hallucinatory Toxicity in Visual Instruction Data [102.56792377624927]
機械生成データに固有の幻覚は未発見のままである。本稿では,クロスチェックパラダイムに基づく新しい幻覚検出・除去フレームワークであるHaluciDoctorを提案する。 LLaVAに比べて44.6%の幻覚を緩和し,競争性能を維持した。
論文参考訳（メタデータ） (2023-11-22T04:52:58Z)
Evaluating Hallucinations in Chinese Large Language Models [65.4771562909392]
我々は,中国大言語モデルにおける幻覚現象を測定するために,HaluQA(中国語幻覚質問回答)というベンチマークを構築した。 GLM-130B と ChatGPT の2種類の幻覚について考察した。評価のために,モデル出力が幻覚的かどうかを判定するために,GPT-4を用いた自動評価手法を設計する。
論文参考訳（メタデータ） (2023-10-05T07:57:09Z)
The Curious Case of Hallucinations in Neural Machine Translation [5.3180458405676205]
ニューラルマシン翻訳の幻覚は、NMT病理のスペクトルの極端な終わりにあります。我々は,コーパスレベルの雑音下での幻覚について考察し,二つの顕著な自然幻覚が,特定のコーパスレベルの雑音パターンによって生成され,説明できることを示す。バックトランスレーションやシーケンスレベルの知識蒸留といった一般的なデータ生成プロセスにおける幻覚増幅現象を解明する。
論文参考訳（メタデータ） (2021-04-14T08:09:57Z)

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。