Fugu-MT 論文翻訳(概要): PetKaz at SemEval-2024 Task 3: Advancing Emotion Classification with an LLM for Emotion-Cause Pair Extraction in Conversations

論文の概要: PetKaz at SemEval-2024 Task 3: Advancing Emotion Classification with an LLM for Emotion-Cause Pair Extraction in Conversations

arxiv url: http://arxiv.org/abs/2404.05502v1
Date: Mon, 8 Apr 2024 13:25:03 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 18:32:03.672133
Title: PetKaz at SemEval-2024 Task 3: Advancing Emotion Classification with an LLM for Emotion-Cause Pair Extraction in Conversations
Title（参考訳）: PetKaz at SemEval-2024 Task 3: Advancing Emotion Classification with a LLM for Emotion-Cause Pair extract in Conversations (英語)
Authors: Roman Kazakov, Kseniia Petukhova, Ekaterina Kochmar,
Abstract要約: 我々はSemEval-2023タスク3「会話におけるマルチモーダル感情原因分析の競争」に応募する。我々のアプローチは感情分類のための微調整GPT-3.5と、原因を検出するためのBiLSTMベースのニューラルネットワークの組み合わせに依存している。
参考スコア（独自算出の注目度）: 4.463184061618504
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we present our submission to the SemEval-2023 Task~3 "The Competition of Multimodal Emotion Cause Analysis in Conversations", focusing on extracting emotion-cause pairs from dialogs. Specifically, our approach relies on combining fine-tuned GPT-3.5 for emotion classification and a BiLSTM-based neural network to detect causes. We score 2nd in the ranking for Subtask 1, demonstrating the effectiveness of our approach through one of the highest weighted-average proportional F1 scores recorded at 0.264.
Abstract（参考訳）: 本稿では,SemEval-2023 Task~3 "The Competition of Multimodal Emotion Cause Analysis in Conversations" に提案する。具体的には、感情分類のための微調整GPT-3.5と、原因を検出するためのBiLSTMベースのニューラルネットワークの組み合わせに頼っている。我々はSubtask 1のランキングで2位となり、0.264で記録された平均F1スコアのうちの1つを通したアプローチの有効性を実証した。

関連論文リスト

Emotion-LLaMA: Multimodal Emotion Recognition and Reasoning with Instruction Tuning [55.127202990679976]
28,618粒の粗粒と4,487粒の細粒のアノテートサンプルを含むMERRデータセットを導入した。このデータセットは、さまざまなシナリオから学習し、現実のアプリケーションに一般化することを可能にする。本研究では,感情特異的エンコーダによる音声,視覚,テキスト入力をシームレスに統合するモデルであるEmotion-LLaMAを提案する。
論文参考訳（メタデータ） (2024-06-17T03:01:22Z)
SemEval-2024 Task 3: Multimodal Emotion Cause Analysis in Conversations [53.60993109543582]
SemEval-2024 Task 3 "Multimodal Emotion Cause Analysis in Conversations" は、会話からすべての感情とそれに対応する原因を抽出することを目的としている。異なるモダリティ設定の下では、2つのサブタスクから構成される: 会話におけるテキスト感情因果ペア抽出(TECPE)と会話におけるマルチモーダル感情因果ペア抽出(MECPE)である。本稿では,タスク,データセット,評価設定について紹介し,トップチームのシステムを要約し,参加者の知見について議論する。
論文参考訳（メタデータ） (2024-05-19T09:59:00Z)
Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
論文参考訳（メタデータ） (2024-04-26T07:30:32Z)
IITK at SemEval-2024 Task 10: Who is the speaker? Improving Emotion Recognition and Flip Reasoning in Conversations via Speaker Embeddings [4.679320772294786]
Emotion Flip Reasoning タスクのためのトランスフォーマーに基づく話者中心モデルを提案する。サブタスク3では,タスクベースラインに対する5.9(F1スコア)の改善が提案されている。
論文参考訳（メタデータ） (2024-04-06T06:47:44Z)
LastResort at SemEval-2024 Task 3: Exploring Multimodal Emotion Cause Pair Extraction as Sequence Labelling Task [3.489826905722736]
SemEval 2024は会話におけるマルチモーダル感情原因分析のタスクを導入している。本稿では,この課題を発話ラベリングとシーケンスラベリングの問題として扱うモデルを提案する。このタスクの公式リーダーボードでは、私たちのアーキテクチャは8位にランクされ、リーダーボードのF1スコアは0.1759でした。
論文参考訳（メタデータ） (2024-04-02T16:32:49Z)
MIPS at SemEval-2024 Task 3: Multimodal Emotion-Cause Pair Extraction in Conversations with Multimodal Language Models [13.137392771279742]
本稿では,SemEval 2024 Task 3 の Subtask 2 に対して,会話におけるマルチモーダル感情の原因分析について提案する。本稿では,テキスト,音声,視覚的モダリティを統合した新しいマルチモーダル感情認識・マルチモーダル感情原因抽出フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-31T01:16:02Z)
SemEval 2024 -- Task 10: Emotion Discovery and Reasoning its Flip in Conversation (EDiReF) [61.49972925493912]
SemEval-2024 Task 10は、コードミキシングされた対話における感情の識別に焦点を当てた共有タスクである。このタスクは3つの異なるサブタスクから構成される - コードミックス対話のための会話における感情認識、コードミックス対話のための感情フリップ推論、および英語対話のための感情フリップ推論である。このタスクには84人の参加者が参加し、各サブタスクのF1スコアは0.70、0.79、0.76に達した。
論文参考訳（メタデータ） (2024-02-29T08:20:06Z)
Attention-based Interactive Disentangling Network for Instance-level Emotional Voice Conversion [81.1492897350032]
感情音声変換(Emotional Voice Conversion)は、非感情成分を保存しながら、与えられた感情に応じて音声を操作することを目的とする。本稿では,音声変換にインスタンスワイドな感情知識を活用する,意図に基づく対話型ディスタングネットワーク(AINN)を提案する。
論文参考訳（メタデータ） (2023-12-29T08:06:45Z)
VISU at WASSA 2023 Shared Task: Detecting Emotions in Reaction to News Stories Leveraging BERT and Stacked Embeddings [3.797177597247675]
我々のシステムVISUは、ニュース記事に反応して書かれたエッセイから感情分類の共有タスク (3) に参加した。本研究は,単語埋め込み表現と事前設定戦略を組み合わせた深層学習(DL)モデルの開発に重点を置いている。
論文参考訳（メタデータ） (2023-07-27T19:42:22Z)
Optimize_Prime@DravidianLangTech-ACL2022: Emotion Analysis in Tamil [1.0066310107046081]
本稿では,タミル語におけるソーシャルメディアコメントの感情分析を行うことを目的とする。このタスクは、ソーシャルメディアのコメントを、Joy、Anger、Trust、Disgustなどの感情のカテゴリに分類することを目的としている。
論文参考訳（メタデータ） (2022-04-19T18:47:18Z)
EmotiCon: Context-Aware Multimodal Emotion Recognition using Frege's Principle [71.47160118286226]
EmotiConは、ビデオや画像から知覚された人間の感情認識をコンテキスト認識する学習アルゴリズムである。心理学からフレーゲの文脈原理に動機づけられた我々のアプローチは、感情認識のための文脈の3つの解釈を組み合わせたものである。平均精度 (AP) スコアは26クラスで35.48であり, 従来の手法よりも7-8の改善が見られた。
論文参考訳（メタデータ） (2020-03-14T19:55:21Z)

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。