論文の概要: Topic Bias in Emotion Classification

• arxiv url: http://arxiv.org/abs/2312.09043v3
• Date: Fri, 2 Feb 2024 17:40:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 19:05:50.969178
• Title: Topic Bias in Emotion Classification
• Title（参考訳）: 感情分類におけるトピックバイアス
• Authors: Maximilian Wegge and Roman Klinger
• Abstract要約: 感情コーパスは、通常、キーワード/ハッシュタグ検索に基づいてサンプリングされる。 我々は、このトピックバイアスをデータとモデリングの両方の観点から研究する。
• 参考スコア（独自算出の注目度）: 10.736626320566707
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Emotion corpora are typically sampled based on keyword/hashtag search or by asking study participants to generate textual instances. In any case, these corpora are not uniform samples representing the entirety of a domain. We hypothesize that this practice of data acquisition leads to unrealistic correlations between overrepresented topics in these corpora that harm the generalizability of models. Such topic bias could lead to wrong predictions for instances like "I organized the service for my aunt's funeral." when funeral events are over-represented for instances labeled with sadness, despite the emotion of pride being more appropriate here. In this paper, we study this topic bias both from the data and the modeling perspective. We first label a set of emotion corpora automatically via topic modeling and show that emotions in fact correlate with specific topics. Further, we see that emotion classifiers are confounded by such topics. Finally, we show that the established debiasing method of adversarial correction via gradient reversal mitigates the issue. Our work points out issues with existing emotion corpora and that more representative resources are required for fair evaluation of models predicting affective concepts from text.
• Abstract（参考訳）: 感情コーパスは通常、キーワード/ハッシュタグ検索や研究参加者にテキストインスタンスの生成を依頼することでサンプル化される。 いずれにしても、これらのコーパスはドメイン全体を表す一様なサンプルではない。 私たちは、このデータ取得のプラクティスが、モデルの一般化可能性に影響を与えるコーパスの過剰なトピック間の非現実的な相関をもたらすと仮定する。 このような話題のバイアスは、"i organized the service for my aunt's funeral"(おばさんの葬儀のサービスを組織した)のような例の誤った予測につながる可能性がある。 本稿では,このトピックのバイアスについて,データとモデリングの観点から検討する。 まず、トピックモデリングを通して感情コーパスを自動的にラベル付けし、実際に感情が特定のトピックと相関していることを示す。 さらに,感情分類器は,そのような話題が組み合わさっている。 最後に,勾配反転による逆補正の確立したデバイアス手法がこの問題を緩和することを示す。 本研究は、既存の感情コーパスの問題と、感情概念をテキストから予測するモデルの公平な評価により多くの代表的リソースが必要であることを指摘する。

関連論文リスト

• 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)
• Automatic Emotion Experiencer Recognition [12.447379545167642]
  テキストにおける経験者検出は難題であり、精度は.82、リコールは.56(F1 =.66)であることを示す。 テキストにおける経験者検出は難題であり、精度は.82、リコールは.56(F1 =.66)であることを示す。
  論文  参考訳（メタデータ） (2023-05-26T08:33:28Z)
• 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)
• Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
  自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。 既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。 本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T23:40:28Z)
• Experiencers, Stimuli, or Targets: Which Semantic Roles Enable Machine Learning to Infer the Emotions? [9.374871304813638]
  我々は、少なくとも1つの意味的役割を持つ注釈付きデータセット上で感情分類モデルを訓練する。 複数のコーパス、刺激、ターゲットが感情情報を伝達しているのに対して、経験者は共同創設者と見なされるかもしれない。
  論文  参考訳（メタデータ） (2020-11-03T10:01:44Z)
• Modality-Transferable Emotion Embeddings for Low-Resource Multimodal Emotion Recognition [55.44502358463217]
  本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。 我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。 私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-09-21T06:10:39Z)
• Facial Expression Editing with Continuous Emotion Labels [76.36392210528105]
  深層生成モデルは、自動表情編集の分野で素晴らしい成果を上げている。 連続した2次元の感情ラベルに従って顔画像の表情を操作できるモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-22T13:03:02Z)
• Modeling Label Semantics for Predicting Emotional Reactions [21.388457946558976]
  イベントがストーリーのキャラクターの感情をいかに引き起こすかを予測することは、通常、標準的なマルチラベル分類タスクと見なされる。 感情ラベルのセマンティクスは、入力ストーリーを表現する際のモデルの注意を導くことができる。 ラベル埋め込みを通じてラベルクラスを明示的にモデル化し、トレーニング中と推論時にラベルとラベルの相関を追跡するメカニズムを追加します。
  論文  参考訳（メタデータ） (2020-06-09T20:04:02Z)
• Appraisal Theories for Emotion Classification in Text [13.743991035051714]
  自動分類手法は,事象の性質を潜時変数として学習する必要があることを示す。 本稿では,事象の認知的評価の理論に従って,そのような解釈を明確化することを提案する。 以上の結果から,事象記述における高品質な評価次元の割り当てが,個別の感情カテゴリーの分類の改善につながることが示唆された。
  論文  参考訳（メタデータ） (2020-03-31T12:43:54Z)

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。