論文の概要: Fitting Different Interactive Information: Joint Classification of Emotion and Intention

• arxiv url: http://arxiv.org/abs/2501.06215v1
• Date: Sun, 05 Jan 2025 05:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-19 08:09:31.438475
• Title: Fitting Different Interactive Information: Joint Classification of Emotion and Intention
• Title（参考訳）: 異なる対話型情報に適合する:感情と意図の同時分類
• Authors: Xinger Li, Zhiqiang Zhong, Bo Huang, Yang Yang,
• Abstract要約: 本稿では,ICASSP MEIJU@2025 Track I において,低リソースマルチモーダル感情と意図認識に着目した最初のソリューションである。 本稿では,ラベル付きデータで訓練されたモデルを用いて擬似ラベルラベリングを行い,信頼性の高いサンプルとラベルを選択し,低リソースの問題を緩和する。 改良された処理データに基づき,テストセットのスコア0.5532を達成し,トラックのチャンピオンシップを勝ち取る。
• 参考スコア（独自算出の注目度）: 6.07748077245386
• License:
• Abstract: This paper is the first-place solution for ICASSP MEIJU@2025 Track I, which focuses on low-resource multimodal emotion and intention recognition. How to effectively utilize a large amount of unlabeled data, while ensuring the mutual promotion of different difficulty levels tasks in the interaction stage, these two points become the key to the competition. In this paper, pseudo-label labeling is carried out on the model trained with labeled data, and samples with high confidence and their labels are selected to alleviate the problem of low resources. At the same time, the characteristic of easy represented ability of intention recognition found in the experiment is used to make mutually promote with emotion recognition under different attention heads, and higher performance of intention recognition is achieved through fusion. Finally, under the refined processing data, we achieve the score of 0.5532 in the Test set, and win the championship of the track.
• Abstract（参考訳）: 本稿では,ICASSP MEIJU@2025 Track I において,低リソースマルチモーダル感情と意図認識に着目した最初のソリューションである。 対話段階における異なる難易度タスクの相互促進を確保しつつ、大量のラベルのないデータを効果的に活用する方法は、これらの2つのポイントが競争の鍵となる。 本稿では,ラベル付きデータで訓練されたモデルを用いて擬似ラベルラベリングを行い,信頼性の高いサンプルとラベルを選択し,低リソースの問題を緩和する。 同時に、実験で見いだされた意図認識の簡易表現能力の特性を用いて、異なる注意頭下での感情認識と相互に促進させ、融合により意図認識のより高い性能を実現する。 最後に、改良された処理データに基づき、テストセットのスコア0.5532を達成し、トラックのチャンピオンシップを勝ち取る。

関連論文リスト

• Cross-Task Inconsistency Based Active Learning (CTIAL) for Emotion Recognition [24.857301914941175]
  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。
  論文  参考訳（メタデータ） (2024-12-02T06:23:46Z)
• Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
  マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。 対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。 多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
  論文  参考訳（メタデータ） (2024-11-27T20:20:06Z)
• Multi-Label Bayesian Active Learning with Inter-Label Relationships [3.88369051454137]
  両課題に対処する多ラベルアクティブラーニング戦略を提案する。 本手法は, 漸進的に更新された正相関行列と負相関行列を組み込んで, 共起関係と解離関係を捉える。 私たちの戦略は、いくつかの確立された方法と比較して、信頼性と優れたパフォーマンスを継続的に達成します。
  論文  参考訳（メタデータ） (2024-11-26T23:28:54Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• Drawing the Same Bounding Box Twice? Coping Noisy Annotations in Object Detection with Repeated Labels [6.872072177648135]
  そこで本研究では,基礎的真理推定手法に適合する新しい局所化アルゴリズムを提案する。 また,本アルゴリズムは,TexBiGデータセット上でのトレーニングにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-18T13:08:44Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Estimating the Uncertainty in Emotion Class Labels with Utterance-Specific Dirichlet Priors [24.365876333182207]
  本稿では,発話ごとのディリクレの事前分布に基づく新たな訓練損失を提案する。 ラベル付けの不確かさの高い試験発話を検出することで、さらなる測定値を用いて性能を評価する。 広く使われているIEMOCAPデータセットによる実験は、2分岐構造が最先端の分類結果を達成することを示した。
  論文  参考訳（メタデータ） (2022-03-08T23:30:01Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)

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。