論文の概要: Hi-EF: Benchmarking Emotion Forecasting in Human-interaction

• arxiv url: http://arxiv.org/abs/2407.16406v1
• Date: Tue, 23 Jul 2024 11:50:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 17:26:03.790806
• Title: Hi-EF: Benchmarking Emotion Forecasting in Human-interaction
• Title（参考訳）: Hi-EF:人間のインタラクションにおける感情予測のベンチマーク
• Authors: Haoran Wang, Xinji Mai, Zeng Tao, Yan Wang, Jiawen Yu, Ziheng Zhou, Xuan Tong, Shaoqi Yan, Qing Zhao, Shuyong Gao, Wenqiang Zhang,
• Abstract要約: 本研究では,感情予測パラダイムを双方向インタラクションに基づいて設計することにより,感情予測をディープラーニング問題に変換する。 本研究では,個人の感情が他者の感情に容易に影響されるという理論に基づいて,感情予測(EF)タスクを提案する。 我々は,3069個の多層・コンテキスト相互作用サンプル(MCIS)を含む,Human-Interaction-based Emotion Forecasting (Hi-EF)という特殊なデータセットを開発した。
• 参考スコア（独自算出の注目度）: 31.60332063325009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Affective Forecasting, a research direction in psychology that predicts individuals future emotions, is often constrained by numerous external factors like social influence and temporal distance. To address this, we transform Affective Forecasting into a Deep Learning problem by designing an Emotion Forecasting paradigm based on two-party interactions. We propose a novel Emotion Forecasting (EF) task grounded in the theory that an individuals emotions are easily influenced by the emotions or other information conveyed during interactions with another person. To tackle this task, we have developed a specialized dataset, Human-interaction-based Emotion Forecasting (Hi-EF), which contains 3069 two-party Multilayered-Contextual Interaction Samples (MCIS) with abundant affective-relevant labels and three modalities. Hi-EF not only demonstrates the feasibility of the EF task but also highlights its potential. Additionally, we propose a methodology that establishes a foundational and referential baseline model for the EF task and extensive experiments are provided. The dataset and code is available at https://github.com/Anonymize-Author/Hi-EF.
• Abstract（参考訳）: 感情予測(Affective Forecasting)は、個人の将来の感情を予測する心理学の研究の方向性であり、社会的影響や時間的距離といった多くの外部要因によって制約されることが多い。 そこで我々は,感情予測パラダイムを双方向インタラクションに基づいて設計することにより,感情予測をディープラーニング問題に変換する。 本研究では,個人感情が他者との対話中に伝達される感情や他の情報に容易に影響されるという理論に基づく,新たな感情予測(EF)タスクを提案する。 この課題に対処するため、我々は、感情関連ラベルが豊富で3つのモダリティを持つ、3069の2次元多層相互作用サンプル(MCIS)を含む、Human-Interaction-based Emotion Forecasting (Hi-EF)という特殊なデータセットを開発した。 Hi-EFはEFタスクの実現可能性を示すだけでなく、その可能性を強調している。 さらに,EFタスクの基礎的および参照的ベースラインモデルを確立し,広範な実験を行う方法論を提案する。 データセットとコードはhttps://github.com/Anonymize-Author/Hi-EFで公開されている。

関連論文リスト

• UniEmoX: Cross-modal Semantic-Guided Large-Scale Pretraining for Universal Scene Emotion Perception [8.54013419046987]
  視覚的感情分析のためのクロスモーダルな意味誘導型大規模事前学習フレームワークUniEmoXを紹介する。 UniEmoXは、ペア画像と未ペア画像テキストの類似性を利用して、CLIPモデルから豊富な意味知識を抽出し、感情的な埋め込み表現を強化する。 Emo8というタイトルの視覚的感情的データセットを開発し、ほとんどすべての感情的シーンをカバーしています。
  論文  参考訳（メタデータ） (2024-09-27T16:12:51Z)
• 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)
• Personality-affected Emotion Generation in Dialog Systems [67.40609683389947]
  ダイアログシステムに与えられた個性に基づいて感情を生成する新しいタスクであるパーソナリティ影響感情生成を提案する。 本課題の課題,すなわち,(1)個性と感情的要因を不均一に統合し,(2)対話場面における多粒性感情情報を抽出する。 その結果,感情生成性能はマクロF1では13%,重み付きF1では5%向上することが示唆された。
  論文  参考訳（メタデータ） (2024-04-03T08:48:50Z)
• Real-time EEG-based Emotion Recognition Model using Principal Component Analysis and Tree-based Models for Neurohumanities [0.0]
  本研究は,没入空間内における文脈の学習過程における情緒的モニタリングを取り入れたソリューションを提案する。 脳波に基づくリアルタイム感情検出システムは、特定の感情を解釈し分類するために開発された。 このシステムは、感情データをインタラクティブなプラットフォームに統合し、包括的で没入的な学習環境を構築することを目的としている。
  論文  参考訳（メタデータ） (2024-01-28T20:02:13Z)
• UniMSE: Towards Unified Multimodal Sentiment Analysis and Emotion Recognition [32.34485263348587]
  マルチモーダル感情分析(MSA)と会話における感情認識(ERC)は、コンピュータが人間の行動を理解する上で重要な研究課題である。 我々は,MSAとERCタスクを特徴,ラベル,モデルから統合するマルチモーダル感情知識共有フレームワーク(UniMSE)を提案する。 我々は、統語的・意味的なレベルでモダリティ融合を行い、感情と感情の差異と一貫性をよりよく捉えるために、モダリティとサンプルの対比学習を導入する。
  論文  参考訳（メタデータ） (2022-11-21T08:46:01Z)
• 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)
• A cross-corpus study on speech emotion recognition [29.582678406878568]
  本研究では,行動感情から学習した情報が,自然感情の検出に有用かどうかを検討する。 成人英語の4つのデータセットは、行動的、誘惑的、自然な感情をカバーしている。 性能劣化を正確に調査するための最先端モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-05T15:15:22Z)
• SOLVER: Scene-Object Interrelated Visual Emotion Reasoning Network [83.27291945217424]
  画像から感情を予測するために,SOLVER(Scene-Object Interrelated Visual Emotion Reasoning Network)を提案する。 異なるオブジェクト間の感情関係を掘り下げるために、まずセマンティックな概念と視覚的特徴に基づいて感情グラフを構築します。 また、シーンとオブジェクトを統合するScene-Object Fusion Moduleを設計し、シーンの特徴を利用して、提案したシーンベースのアテンションメカニズムでオブジェクトの特徴の融合プロセスを導出する。
  論文  参考訳（メタデータ） (2021-10-24T02:41:41Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• 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)

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。