論文の概要: Enhancing the Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought

• arxiv url: http://arxiv.org/abs/2401.06836v1
• Date: Fri, 12 Jan 2024 16:42:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 21:09:24.611301
• Title: Enhancing the Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought
• Title（参考訳）: 感情連鎖による大規模言語モデルの感情生成能力の向上
• Authors: Zaijing Li, Gongwei Chen, Rui Shao, Dongmei Jiang, and Liqiang Nie
• Abstract要約: 感情生成は、感情的条件を入力として、感情的応答を出力することを目的としている。 感情生成には、感情チャット、感情的な視覚的キャプション、感情的な書き直しなど、幅広い応用がある。 本研究では,感情生成タスクにおける大規模言語モデル(LLM)の性能向上を目的とした感情連鎖(ECoT)を提案する。
• 参考スコア（独自算出の注目度）: 53.1230874584344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Emotional Generation is a subset of emotional intelligence, which aims to output an emotional response based on emotional conditions as input. Emotion generation has a wide range of applications, including emotion chat, emotional visual caption, and emotional rewriting. However, it faces challenges such as a lack of interpretability and poor evaluability. In this paper, we propose the Emotional Chain-of-Thought (ECoT), a plug-and-play prompting method that enhances the performance of Large Language Models (LLMs) on various emotional generation tasks by aligning with human emotional intelligence guidelines. To assess the reliability of ECoT, we propose an automated model-based evaluation method called EGS. Extensive experimental results demonstrate the effectiveness of ECoT and EGS. Further,we discuss the promise of LLMs in the field of sentiment analysis and present key insights into the LLMs with the ECoT in emotional generation tasks.
• Abstract（参考訳）: 感情生成は感情的知能のサブセットであり、感情的条件を入力として感情的応答を出力することを目的としている。 感情生成には、感情チャット、感情的な視覚的キャプション、感情的な書き直しなど、幅広いアプリケーションがあります。 しかし、解釈容易性の欠如や評価容易性の欠如といった課題に直面している。 本稿では,人間の感情知能ガイドラインと整合して,感情生成タスクにおける大規模言語モデル(LLM)の性能を高めるためのプラグイン・アンド・プレイ促進手法ECoTを提案する。 ECoTの信頼性を評価するため,EGSと呼ばれるモデルに基づく自動評価手法を提案する。 ECoTとESGの有効性を実験的に明らかにした。 さらに,感情分析の分野でのLLMの約束について論じ,感情生成タスクにおけるECoTを用いたLLMの重要洞察について述べる。

関連論文リスト

• EmotionQueen: A Benchmark for Evaluating Empathy of Large Language Models [41.699045246349385]
  本稿では,大規模言語モデル(LLM)の感情的インテリジェンスを評価するためのEmotionQueenというフレームワークを提案する。 このフレームワークには、キーイベント認識、混合イベント認識、インプリシット感情認識、意図認識の4つの固有のタスクが含まれている。 実験により、LLMの能力と感情知能の限界について重要な結論が得られた。
  論文  参考訳（メタデータ） (2024-09-20T09:44:51Z)
• Cause-Aware Empathetic Response Generation via Chain-of-Thought Fine-Tuning [12.766893968788263]
  共感反応生成は、対話の文脈を理解し、表現された感情に反応する能力を持つエージェントを与える。 先行研究は、主に話者の感情的ラベルを活用することに重点を置いているが、感情の重要性が原因の推論を無視している。 そこで我々は,感情と原因をうまく設計したChain-of-Thoughtプロンプトを通じて統合した原因認識型共感生成手法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T13:11:03Z)
• EmoLLM: Multimodal Emotional Understanding Meets Large Language Models [61.179731667080326]
  マルチモーダル・大規模言語モデル(MLLM)は、目的とするマルチモーダル認識タスクにおいて顕著な性能を達成している。 しかし、主観的、感情的にニュアンスのあるマルチモーダルコンテンツを解釈する能力はほとんど解明されていない。 EmoLLMは、マルチモーダルな感情理解のための新しいモデルであり、2つのコア技術が組み込まれている。
  論文  参考訳（メタデータ） (2024-06-24T08:33:02Z)
• 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)
• EmoBench: Evaluating the Emotional Intelligence of Large Language Models [73.60839120040887]
  EmoBenchは、確立された心理学理論に基づいて、マシン感情知能(EI)の包括的な定義を提案するベンチマークである。 EmoBenchには、英語と中国語で400の手作りの質問が含まれている。 以上の結果から,既存の大規模言語モデルのEIと平均的な人間の間には,かなりのギャップがみられ,今後の研究に向けての有望な方向性が浮かび上がっている。
  論文  参考訳（メタデータ） (2024-02-19T11:48:09Z)
• Emotional Intelligence of Large Language Models [9.834823298632374]
  大規模言語モデル(LLM)は多くの分野において顕著な能力を示している。 しかし、現実世界の応用にとって重要な人間の感情や価値観との整合性は、体系的に評価されていない。 そこで我々は,感情認識,解釈,理解を含むLLMの感情知能(EI)を評価した。
  論文  参考訳（メタデータ） (2023-07-18T07:49:38Z)
• Large Language Models Understand and Can be Enhanced by Emotional Stimuli [53.53886609012119]
  我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。 実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。 EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-07-14T00:57:12Z)

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。