論文の概要: Refashioning Emotion Recognition Modelling: The Advent of Generalised Large Models

• arxiv url: http://arxiv.org/abs/2308.11578v1
• Date: Mon, 21 Aug 2023 13:14:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 17:19:22.174310
• Title: Refashioning Emotion Recognition Modelling: The Advent of Generalised Large Models
• Title（参考訳）: refashioning emotion recognition modelling: 一般化された大規模モデルの出現
• Authors: Zixing Zhang, Liyizhe Peng, Tao Pang, Jing Han, Huan Zhao, Bjorn W. Schuller
• Abstract要約: 過去数十年間、感情認識モデルは、統計的に浅いモデルからニューラルネットワークベースのディープモデルへと徐々に移行してきた。 ディープモデルは常に感情認識の最初の選択肢とみなされてきた。 しかし、ChatGPTのような大型言語モデル(LLM)が登場したことで、世界は驚くほど驚かされた。
• 参考スコア（独自算出の注目度）: 23.73445615103507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: After the inception of emotion recognition or affective computing, it has increasingly become an active research topic due to its broad applications. Over the past couple of decades, emotion recognition models have gradually migrated from statistically shallow models to neural network-based deep models, which can significantly boost the performance of emotion recognition models and consistently achieve the best results on different benchmarks. Therefore, in recent years, deep models have always been considered the first option for emotion recognition. However, the debut of large language models (LLMs), such as ChatGPT, has remarkably astonished the world due to their emerged capabilities of zero/few-shot learning, in-context learning, chain-of-thought, and others that are never shown in previous deep models. In the present paper, we comprehensively investigate how the LLMs perform in emotion recognition in terms of diverse aspects, including in-context learning, few-short learning, accuracy, generalisation, and explanation. Moreover, we offer some insights and pose other potential challenges, hoping to ignite broader discussions about enhancing emotion recognition in the new era of advanced and generalised large models.
• Abstract（参考訳）: 感情認識や感情コンピューティングの開始後、その幅広い応用により、活発な研究トピックとなっている。 過去数十年間、感情認識モデルは統計的に浅いモデルからニューラルネットワークベースの深層モデルへと徐々に移行してきた。 そのため、近年では、深いモデルが感情認識の最初の選択肢とみなされている。 しかし、ChatGPTのような大規模言語モデル(LLM)の登場は、ゼロ/フェーショット学習、インコンテキスト学習、チェーン・オブ・シントといった従来のディープモデルにはない能力の出現によって、世界を驚くほど驚かせた。 本稿では,LLMが感情認識において,文脈内学習,少数短学習,正確性,一般化,説明といった様々な側面でどのように機能するかを包括的に検討する。 さらに、我々は、先進的および一般化された大規模モデルの新たな時代における感情認識の強化に関する広範な議論に火をつけたいと願っている。

関連論文リスト

• MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
  そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。 以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
  論文  参考訳（メタデータ） (2024-11-18T02:09:48Z)
• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• Generative Technology for Human Emotion Recognition: A Scope Review [11.578408396744237]
  本調査は,2024年6月までに320以上の研究論文を総合的に分析し,既存の文献のギャップを埋めることを目的としている。 異なる生成モデルと一般的に使用されるデータセットの数学的原理を導入する。 様々なモダリティに基づいて、生成技術がどのように感情認識に対処するかを詳細に分析する。
  論文  参考訳（メタデータ） (2024-07-04T05:22:55Z)
• Turning large language models into cognitive models [0.0]
  大規模言語モデルが認知モデルに変換可能であることを示す。 これらのモデルは人間の行動の正確な表現を提供し、2つの意思決定領域において従来の認知モデルよりも優れている。 これらの結果は、大規模で事前学習されたモデルが一般的な認知モデルに適応できることを示唆している。
  論文  参考訳（メタデータ） (2023-06-06T18:00:01Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)
• Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
  マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。 まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。 次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。 最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2021-08-18T21:55:20Z)
• Using Knowledge-Embedded Attention to Augment Pre-trained Language Models for Fine-Grained Emotion Recognition [0.0]
  我々は,事前学習した自己意識モデルに外部知識を導入することで,微粒な感情認識を改善することに集中する。 結果と誤差解析は,複数のデータセットで過去のモデルより優れていた。
  論文  参考訳（メタデータ） (2021-07-31T09:41:44Z)
• Affective Image Content Analysis: Two Decades Review and New Perspectives [132.889649256384]
  我々は,過去20年間の情緒的イメージコンテンツ分析(AICA)の発展を包括的にレビューする。 我々は、感情的ギャップ、知覚主観性、ラベルノイズと欠如という3つの主要な課題に関して、最先端の手法に焦点を当てる。 画像の内容やコンテキスト理解,グループ感情クラスタリング,ビューアーとイメージのインタラクションなど,今後の課題や研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-06-30T15:20:56Z)
• Leveraging Recent Advances in Deep Learning for Audio-Visual Emotion Recognition [2.1485350418225244]
  人間の行動分析のために, 自発的なマルチモーダル感情認識が広く研究されている。 視聴覚感情認識のための深層学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:49:15Z)
• Automatic Expansion of Domain-Specific Affective Models for Web Intelligence Applications [3.0012517171007755]
  感覚コンピューティングは、異なる複雑さのよく定義された感情モデルに依存している。 洗練された機械学習アプローチと組み合わされた最もきめ細かい感情モデルでは、組織の戦略的位置決めの目標を完全に把握できないかもしれません。 本稿では、知識グラフで利用可能な共通知識と常識知識と、言語モデルと感情的推論を組み合わせた感情モデルの拡張手法を紹介する。
  論文  参考訳（メタデータ） (2021-02-01T13:32:35Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。