Fugu-MT 論文翻訳(概要): E-ICL: Enhancing Fine-Grained Emotion Recognition through the Lens of Prototype Theory

論文の概要: E-ICL: Enhancing Fine-Grained Emotion Recognition through the Lens of Prototype Theory

arxiv url: http://arxiv.org/abs/2406.02642v1
Date: Tue, 4 Jun 2024 10:59:43 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 23:19:06.911690
Title: E-ICL: Enhancing Fine-Grained Emotion Recognition through the Lens of Prototype Theory
Title（参考訳）: E-ICL: 原型理論のレンズによる細粒度感情認識の強化
Authors: Zhou Yang, Zhaochun Ren, Chenglong Ye, Yufeng Wang, Haizhou Sun, Chao Chen, Xiaofei Zhu, Yunbing Wu, Xiangwen Liao,
Abstract要約: 本稿では,プロトタイプ理論の観点からICLの性能低下の原因を明らかにする。感情認識のための感情文脈学習法(E-ICL)を提案する。 EDOS, Empathetic-Dialogues, EmpatheticIntent, GoEmotionsの詳細な感情データセット実験により, E-ICLが優れた感情予測性能を発揮することが示された。
参考スコア（独自算出の注目度）: 21.54245518795988
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In-context learning (ICL) achieves remarkable performance in various domains such as knowledge acquisition, commonsense reasoning, and semantic understanding. However, its performance significantly deteriorates for emotion detection tasks, especially fine-grained emotion recognition. The underlying reasons for this remain unclear. In this paper, we identify the reasons behind ICL's poor performance from the perspective of prototype theory and propose a method to address this issue. Specifically, we conduct extensive pilot experiments and find that ICL conforms to the prototype theory on fine-grained emotion recognition. Based on this theory, we uncover the following deficiencies in ICL: (1) It relies on prototypes (example-label pairs) that are semantically similar but emotionally inaccurate to predict emotions. (2) It is prone to interference from irrelevant categories, affecting the accuracy and robustness of the predictions. To address these issues, we propose an Emotion Context Learning method (E-ICL) on fine-grained emotion recognition. E-ICL relies on more emotionally accurate prototypes to predict categories by referring to emotionally similar examples with dynamic labels. Simultaneously, E-ICL employs an exclusionary emotion prediction strategy to avoid interference from irrelevant categories, thereby increasing its accuracy and robustness. Note that the entire process is accomplished with the assistance of a plug-and-play emotion auxiliary model, without additional training. Experiments on the fine-grained emotion datasets EDOS, Empathetic-Dialogues, EmpatheticIntent, and GoEmotions show that E-ICL achieves superior emotion prediction performance. Furthermore, even when the emotion auxiliary model used is lower than 10% of the LLMs, E-ICL can still boost the performance of LLMs by over 4% on multiple datasets.
Abstract（参考訳）: In-context Learning (ICL)は、知識獲得、常識推論、意味理解など、様々な領域において顕著なパフォーマンスを達成する。しかし、その性能は感情検出タスク、特に微粒な感情認識において著しく低下する。その根底にある理由は未だ不明である。本稿では,プロトタイプ理論の観点からICLの性能低下の原因を特定し,この問題に対処する手法を提案する。具体的には、広範囲にわたる実験を行い、ICLが微粒な感情認識のプロトタイプ理論に適合していることを見出した。この理論に基づいて、(1)感情を予測するために意味論的に類似しているが感情的に不正確であるプロトタイプ(例-ラベルペア)に依存している。 2)無関係なカテゴリーから干渉する傾向があり,予測の正確性や堅牢性に影響を及ぼす。これらの問題に対処するため,感情認識のための感情コンテキスト学習法(E-ICL)を提案する。 E-ICLは、動的ラベルで感情的に類似した例を参照することでカテゴリを予測するために、より感情的に正確なプロトタイプに依存している。同時に、E-ICLは無関係なカテゴリからの干渉を避けるために排他的感情予測戦略を採用し、その精度と堅牢性を高める。プロセス全体は、追加のトレーニングなしで、プラグアンドプレイの感情補助モデルの助けを借りて達成されていることに注意してください。 EDOS, Empathetic-Dialogues, EmpatheticIntent, GoEmotionsの詳細な感情データセット実験により, E-ICLが優れた感情予測性能を発揮することが示された。さらに、使用する感情補助モデルがLLMの10%未満である場合でも、E-ICLは複数のデータセット上でLLMのパフォーマンスを4%以上向上させることができる。

関連論文リスト

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)
Emotion-Anchored Contrastive Learning Framework for Emotion Recognition in Conversation [23.309174697717374]
会話における感情認識(英: Emotion Recognition in Conversation、ERC)とは、会話の中で各発話の背後にある感情を検出することである。類似した感情に対してより識別可能な発話表現を生成できる感情認識コントラスト学習フレームワークを提案する。提案したEACLは、最先端の感情認識性能を達成し、類似した感情に対して優れた性能を示す。
論文参考訳（メタデータ） (2024-03-29T17:00:55Z)
Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
論文参考訳（メタデータ） (2024-01-12T16:42:10Z)
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)
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)
Emotion Recognition With Temporarily Localized 'Emotional Events' in Naturalistic Context [1.7205106391379026]
我々は脳波信号を用いて、Valence(V)次元とArousal(A)次元の異なる組み合わせで感情事象を分類する。感情に関する正確な情報を持つことで、長期の脳波信号と比較して分類精度が向上する。
論文参考訳（メタデータ） (2022-10-25T10:01:40Z)
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)
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)
End-to-end Emotion-Cause Pair Extraction via Learning to Link [18.741585103275334]
感情原因ペア抽出(ECPE)は、文書中の感情とその根本原因を共同で調査することを目的としている。既存のECPEのアプローチでは、(1)感情と原因の検出、(2)検出された感情と原因のペアリングという2段階の手法が一般的である。本稿では, 感情, 原因, 感情原因のペアをエンドツーエンドで同時に抽出できるマルチタスク学習モデルを提案する。
論文参考訳（メタデータ） (2020-02-25T07:49:12Z)

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。