論文の概要: A Weakly Supervised Approach to Emotion-change Prediction and Improved Mood Inference

• arxiv url: http://arxiv.org/abs/2306.06979v2
• Date: Wed, 16 Aug 2023 22:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 23:24:47.000592
• Title: A Weakly Supervised Approach to Emotion-change Prediction and Improved Mood Inference
• Title（参考訳）: 感情変化予測とモッド推論の改善に対する弱修正アプローチ
• Authors: Soujanya Narayana, Ibrahim Radwan, Ravikiran Parameshwara, Iman Abbasnejad, Akshay Asthana, Ramanathan Subramanian, Roland Goecke
• Abstract要約: 我々は,アノテートラベルを使わずに気分を推測するための感情変化情報を推論し,組み込んだ。 本研究では、長時間ビデオクリップの気分予測を、気分の性格化に合わせて試みる。 気分変化情報の導入による気分予測が,感情変化情報の導入によってもたらされることを示す。
• 参考スコア（独自算出の注目度）: 3.530431001241988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whilst a majority of affective computing research focuses on inferring emotions, examining mood or understanding the \textit{mood-emotion interplay} has received significantly less attention. Building on prior work, we (a) deduce and incorporate emotion-change ($\Delta$) information for inferring mood, without resorting to annotated labels, and (b) attempt mood prediction for long duration video clips, in alignment with the characterisation of mood. We generate the emotion-change ($\Delta$) labels via metric learning from a pre-trained Siamese Network, and use these in addition to mood labels for mood classification. Experiments evaluating \textit{unimodal} (training only using mood labels) vs \textit{multimodal} (training using mood plus $\Delta$ labels) models show that mood prediction benefits from the incorporation of emotion-change information, emphasising the importance of modelling the mood-emotion interplay for effective mood inference.
• Abstract（参考訳）: 感情コンピューティング研究の大多数は感情の推測、気分の検査、あるいは「textit{mood-emotion interplay"」の理解に重点を置いている。 先行作業で構築する、私たちは (a)注釈付きラベルを使わずに、気分を推測するための感情変化情報(\delta$)を推測し、組み込む b) 長時間ビデオクリップの気分予測は, 気分の性格化に合わせて試みる。 我々は、トレーニング済みのシームズネットワークからメトリクス学習を通じて感情変化(\Delta$)ラベルを生成し、ムード分類のためのムードラベルに加えてこれらを使用する。 textit{unimodal} (ムードラベルのみを使用するトレーニング) と \textit{multimodal} (ムード+$\delta$ラベルを使用するトレーニング) モデルを評価する実験では、ムード予測が感情変化情報の導入によって恩恵をもたらすことを示し、効果的なムード推論のためのムード-感情相互作用のモデル化の重要性を強調した。

関連論文リスト

• Improved Text Emotion Prediction Using Combined Valence and Arousal Ordinal Classification [37.823815777259036]
  テキストから感情を分類する手法を導入し,様々な感情の相違点と相違点を認識・区別する。 提案手法は感情予測において高い精度を保ちながら,誤分類の場合の誤りの程度を著しく低減する。
  論文  参考訳（メタデータ） (2024-04-02T10:06:30Z)
• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
  人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。 EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。 分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
  論文  参考訳（メタデータ） (2023-11-16T06:20:13Z)
• Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
  隠れ変数分離に基づく動的因果解離モデルを提案する。 このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。 具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-13T12:58:09Z)
• Emotion and Sentiment Guided Paraphrasing [3.5027291542274366]
  感情の勾配に沿ってきめ細かな感情的言い回しを新たに導入する。 入力テキストとターゲットテキストを微粒な感情ラベルで拡張することにより、広く使われているパラフレーズデータセットを再構築する。 本研究では,条件付きテキスト生成のための事前学習言語モデルを活用することで,感情と感情を導出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:59:40Z)
• Fine-Grained Emotional Paraphrasing along Emotion Gradients [0.0]
  感情の勾配に沿ってきめ細かな感情的言い回しを新たに導入する。 マルチタスク・トレーニングによるテキスト・トゥ・テキスト・トランスフォーマーの微調整により,この問題に対処するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-30T05:38:22Z)
• Speech Synthesis with Mixed Emotions [77.05097999561298]
  異なる感情の音声サンプル間の相対的な差を測定する新しい定式化を提案する。 次に、私たちの定式化を、シーケンスからシーケンスまでの感情的なテキストから音声へのフレームワークに組み込む。 実行時に、感情属性ベクトルを手動で定義し、所望の感情混合を生成するためにモデルを制御する。
  論文  参考訳（メタデータ） (2022-08-11T15:45:58Z)
• 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)
• 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)
• SpanEmo: Casting Multi-label Emotion Classification as Span-prediction [15.41237087996244]
  マルチラベル感情分類をスパンプレディションとした新しいモデル「SpanEmo」を提案する。 入力文中の複数の共存感情をモデル化することに焦点を当てた損失関数を導入する。 SemEval2018マルチラベル感情データを3つの言語セットで実験した結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-01-25T12:11:04Z)
• Challenges in Emotion Style Transfer: An Exploration with a Lexical Substitution Pipeline [16.3589458084367]
  3つのステップに基づいて,透過的な感情伝達パイプラインを設計する。 我々は、語彙置換がテキストの感情的負荷をどう変えるかを探る。 実際、コンテンツと感情の同時調整は、目的と矛盾している。
  論文  参考訳（メタデータ） (2020-05-15T16:11:33Z)

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。