論文の概要: Cross-Task Inconsistency Based Active Learning (CTIAL) for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2412.01171v1
• Date: Mon, 02 Dec 2024 06:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:35.177681
• Title: Cross-Task Inconsistency Based Active Learning (CTIAL) for Emotion Recognition
• Title（参考訳）: クロスタスク不整合に基づく感情認識のためのアクティブラーニング(CTIAL)
• Authors: Yifan Xu, Xue Jiang, Dongrui Wu,
• Abstract要約: 本稿では,感情分類と推定のクロスタスク変換のための一貫性に基づく能動学習手法を提案する。 影響規範は先行知識として利用され、分類的感情と次元的感情のラベル空間を接続する。 コーパス内およびクロスコーパス転送の実験は、クロスタスクの不整合がアクティブラーニングにおいて非常に価値のある指標であることを示した。
• 参考スコア（独自算出の注目度）: 24.857301914941175
• License:
• Abstract: Emotion recognition is a critical component of affective computing. Training accurate machine learning models for emotion recognition typically requires a large amount of labeled data. Due to the subtleness and complexity of emotions, multiple evaluators are usually needed for each affective sample to obtain its ground-truth label, which is expensive. To save the labeling cost, this paper proposes an inconsistency-based active learning approach for cross-task transfer between emotion classification and estimation. Affective norms are utilized as prior knowledge to connect the label spaces of categorical and dimensional emotions. Then, the prediction inconsistency on the two tasks for the unlabeled samples is used to guide sample selection in active learning for the target task. Experiments on within-corpus and cross-corpus transfers demonstrated that cross-task inconsistency could be a very valuable metric in active learning. To our knowledge, this is the first work that utilizes prior knowledge on affective norms and data in a different task to facilitate active learning for a new task, even the two tasks are from different datasets.
• Abstract（参考訳）: 感情認識は感情コンピューティングの重要な構成要素である。 感情認識のための正確な機械学習モデルのトレーニングは通常、大量のラベル付きデータを必要とする。 感情の微妙さと複雑さのため、感情サンプルごとに複数の評価器が必要であるが、それは高価である。 ラベル付けコストの削減を目的として,感情分類と推定のクロスタスク変換のための不整合に基づくアクティブラーニング手法を提案する。 影響規範は先行知識として利用され、分類的感情と次元的感情のラベル空間を接続する。 次に、未ラベルサンプルの2つのタスクに対する予測の不整合を利用して、対象タスクのアクティブな学習におけるサンプル選択を誘導する。 コーパス内およびクロスコーパス転送の実験は、クロスタスクの不整合がアクティブラーニングにおいて非常に価値のある指標であることを示した。 我々の知る限りでは、この2つのタスクは異なるデータセットのものであるとしても、新しいタスクのアクティブな学習を容易にするために、異なるタスクにおける感情規範とデータに関する事前知識を利用する最初の作業である。

関連論文リスト

• 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)
• Pre-training Multi-task Contrastive Learning Models for Scientific Literature Understanding [52.723297744257536]
  事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。 文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
  論文  参考訳（メタデータ） (2023-05-23T16:47:22Z)
• Unifying the Discrete and Continuous Emotion labels for Speech Emotion Recognition [28.881092401807894]
  音声からの感情検出のためのパラ言語分析では、感情は離散的または次元的(連続的な評価)ラベルと同一視されている。 本研究では,連続的感情特性と離散的感情特性を共同で予測するモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-29T16:12:31Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Multimodal Emotion Recognition with Modality-Pairwise Unsupervised Contrastive Loss [80.79641247882012]
  マルチモーダル感情認識(MER)のための教師なし特徴学習に着目した。 個別の感情を考慮し、モダリティテキスト、音声、視覚が使用される。 本手法は, 対のモダリティ間のコントラスト損失に基づくもので, MER文学における最初の試みである。
  論文  参考訳（メタデータ） (2022-07-23T10:11:24Z)
• An Exploration of Active Learning for Affective Digital Phenotyping [4.790279027864381]
  アクティブラーニング(英: Active Learning)は、アルゴリズムを用いてラベルに対するデータポイントの有用なサブセットを計算的に選択するパラダイムである。 自然主義的コンピュータビジョン感情データ(特に異種で複雑なデータ空間)のアクティブラーニングについて検討する。 ゲームプレイ中に生成された情報を用いた能動的学習は,同一数のラベル付きフレームのランダム選択よりも若干優れていた。
  論文  参考訳（メタデータ） (2022-04-05T01:01:32Z)
• Cross Domain Emotion Recognition using Few Shot Knowledge Transfer [21.750633928464026]
  ほとんどショットもゼロショットも、文書や感情ラベルを共有埋め込み空間に投影することで、目に見えない感情を一般化することができる。 本研究では,GoEmotions Reddit データセットの監視から得られた知識をSemEval ツイートコーパスに転送することで,数発の感情認識の課題を探求する。
  論文  参考訳（メタデータ） (2021-10-11T06:22:18Z)
• Emotion Recognition with Incomplete Labels Using Modified Multi-task Learning Technique [8.012391782839384]
  AffWild2データセットから7つの基本的な感情と12のアクションユニットの関連性を利用する手法を提案する。 2つの相関したタスクの知識を組み合わせることで、両方のパフォーマンスは1種類のラベルしか使用していないモデルと比較して大きなマージンで改善される。
  論文  参考訳（メタデータ） (2021-07-09T03:43:53Z)
• Adaptive Self-training for Few-shot Neural Sequence Labeling [55.43109437200101]
  ニューラルシークエンスラベリングモデルにおけるラベル不足問題に対処する手法を開発した。 自己学習は、大量のラベルのないデータから学ぶための効果的なメカニズムとして機能する。 メタラーニングは、適応的なサンプル再重み付けにおいて、ノイズのある擬似ラベルからのエラー伝播を軽減するのに役立つ。
  論文  参考訳（メタデータ） (2020-10-07T22:29:05Z)

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。