論文の概要: Enhanced Detection of Conversational Mental Manipulation Through Advanced Prompting Techniques

• arxiv url: http://arxiv.org/abs/2408.07676v1
• Date: Wed, 14 Aug 2024 17:23:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 12:33:27.423509
• Title: Enhanced Detection of Conversational Mental Manipulation Through Advanced Prompting Techniques
• Title（参考訳）: 高度プロンプト法による会話型メンタルマニピュレーションの検出
• Authors: Ivory Yang, Xiaobo Guo, Sean Xie, Soroush Vosoughi,
• Abstract要約: 我々は、二元的心的操作検出タスクにゼロショットとフューショット設定を併用したChain-of-Thoughtプロンプトを実装した。 我々の主な目的は、なぜ特定のプロンプト技術が優れた性能を示すのかを解読することである。
• 参考スコア（独自算出の注目度）: 23.710371961866198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a comprehensive, long-term project to explore the effectiveness of various prompting techniques in detecting dialogical mental manipulation. We implement Chain-of-Thought prompting with Zero-Shot and Few-Shot settings on a binary mental manipulation detection task, building upon existing work conducted with Zero-Shot and Few- Shot prompting. Our primary objective is to decipher why certain prompting techniques display superior performance, so as to craft a novel framework tailored for detection of mental manipulation. Preliminary findings suggest that advanced prompting techniques may not be suitable for more complex models, if they are not trained through example-based learning.
• Abstract（参考訳）: 本研究は,対話的心的操作を検出するための様々なプロンプト技術の有効性を検討するための,包括的な長期的プロジェクトを提案する。 我々は、Zero-ShotとFew-Shotの設定を2値のメンタル操作検出タスクに実装し、Zero-ShotとFew-Shotのプロンプトによる既存の作業に基づいて構築する。 我々の主な目的は、特定のプロンプト技術が優れたパフォーマンスを示す理由を解読し、精神的な操作を検出するのに適した新しいフレームワークを構築することである。 予備的な発見は、先進的なプロンプト技術は、例ベースの学習によって訓練されない場合、より複雑なモデルには適さないかもしれないことを示唆している。

関連論文リスト

• Learn Beyond The Answer: Training Language Models with Reflection for Mathematical Reasoning [59.98430756337374]
  教師付き微調整により、様々な数学的推論タスクにおける言語モデルの問題解決能力が向上する。 本研究は,手前のトレーニング問題をより深く理解することを目的とした,新しい技術を紹介する。 本稿では,各トレーニングインスタンスに問題反映を埋め込む手法であるリフレクティブ拡張を提案する。
  論文  参考訳（メタデータ） (2024-06-17T19:42:22Z)
• RAG-based Crowdsourcing Task Decomposition via Masked Contrastive Learning with Prompts [21.69333828191263]
  本稿では、自然言語理解の観点からタスク分解(TD)をイベント検出として再認識する、検索強化世代ベースのクラウドソーシングフレームワークを提案する。 本稿では,TD (PBCT) のための Prompt-based Contrastive Learning framework を提案する。 実験結果は,教師付きおよびゼロショット検出における本手法の競合性を実証した。
  論文  参考訳（メタデータ） (2024-06-04T08:34:19Z)
• AnySkill: Learning Open-Vocabulary Physical Skill for Interactive Agents [58.807802111818994]
  オープンな語彙の指示に従って物理的に妥当な相互作用を学習する新しい階層的手法であるAnySkillを提案する。 我々のアプローチは、模倣学習によって訓練された低レベルコントローラを介して、一連のアトミックアクションを開発することから始まります。 提案手法の重要な特徴は,手動の報酬工学を使わずにオブジェクトとのインタラクションを学習する,高レベルなポリシーに対する画像ベースの報酬の利用である。
  論文  参考訳（メタデータ） (2024-03-19T15:41:39Z)
• Skill Disentanglement for Imitation Learning from Suboptimal Demonstrations [60.241144377865716]
  我々は、小さなクリーンな実演セットと大きなノイズセットの両方で、準最適実演の模倣を考える。 本稿では,様々な品質のアクションプリミティブを異なるスキルに符号化し,サブデモレーションレベルの評価と模倣を行う手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T17:24:37Z)
• Adversarial Attacks on the Interpretation of Neuron Activation Maximization [70.5472799454224]
  アクティベーション最大化アプローチは、訓練されたディープラーニングモデルの解釈と解析に使用される。 本研究では,解釈を欺くためにモデルを操作する敵の概念を考察する。
  論文  参考訳（メタデータ） (2023-06-12T19:54:33Z)
• TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
  強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。 従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。 本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
  論文  参考訳（メタデータ） (2022-11-21T22:38:20Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• Towards noise robust trigger-word detection with contrastive learning pre-task for fast on-boarding of new trigger-words [0.0]
  ユーザの音声アシスタントとのコミュニケーションのエントリポイントとして,トリガーワード検出が重要な役割を果たす。 本研究では,検出モデルが異なる単語や雑音条件に一般化するのに役立つ事前学習タスクとして,コントラスト学習を提案する。 対照的な事前学習手法は、データ利用率の低い新しいトリガー語を事前学習する従来の分類に匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-06T22:39:05Z)
• RLCorrector: Reinforced Proofreading for Connectomics Image Segmentation [3.21359455541169]
  本稿では,強化学習に基づく完全自動校正手法を提案する。 主な考え方は、強化剤を用いた証明読解における人間の決定過程をモデル化することである。 提案手法を最先端の実証読解法と比較することにより,提案方式の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-10T04:02:41Z)

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。