Fugu-MT 論文翻訳(概要): The Super Emotion Dataset

論文の概要: The Super Emotion Dataset

arxiv url: http://arxiv.org/abs/2505.15348v1
Date: Wed, 21 May 2025 10:21:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-22 15:42:59.50638
Title: The Super Emotion Dataset
Title（参考訳）: スーパー感情データセット
Authors: Enric Junqué de Fortuny,
Abstract要約: 既存のデータセットでは、一貫性のない感情カテゴリを使用するか、限られたサンプルサイズに苦しむか、特定のドメインにフォーカスする。 Super Emotionデータセットは、様々なテキストソースをShaverの実験的に検証された感情分類に基づく統一されたフレームワークに調和させる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Despite the wide-scale usage and development of emotion classification datasets in NLP, the field lacks a standardized, large-scale resource that follows a psychologically grounded taxonomy. Existing datasets either use inconsistent emotion categories, suffer from limited sample size, or focus on specific domains. The Super Emotion Dataset addresses this gap by harmonizing diverse text sources into a unified framework based on Shaver's empirically validated emotion taxonomy, enabling more consistent cross-domain emotion recognition research.
Abstract（参考訳）: NLPにおける感情分類データセットの大規模使用と開発にもかかわらず、この分野には、心理学的に根ざした分類法に従う、標準化された大規模資源が欠けている。既存のデータセットでは、一貫性のない感情カテゴリを使用するか、限られたサンプルサイズに苦しむか、特定のドメインにフォーカスする。 Super Emotion Datasetはこのギャップに対処し、多様なテキストソースをShaverの実証的に検証された感情分類に基づく統一されたフレームワークに調和させ、より一貫性のあるクロスドメイン感情認識研究を可能にする。

関連論文リスト

Emo Pillars: Knowledge Distillation to Support Fine-Grained Context-Aware and Context-Less Emotion Classification [56.974545305472304]
感情分析のためのほとんどのデータセットは、意見が表現された文脈を欠き、感情理解に不可欠であり、主にいくつかの感情カテゴリーによって制限される。我々はLLMベースのデータ合成パイプラインを設計し、よりアクセスしやすい軽量BERT型エンコーダモデルのトレーニング例を生成するために、大規模モデルMistral-7bを利用する。 Emo Pillarsモデルは、GoEmotions、ISEAR、IEMOCAP、EmoContextといった特定のタスクに調整された場合、新しいドメインに対して高い適応性を示し、最初の3つでSOTAのパフォーマンスに達した。
論文参考訳（メタデータ） (2025-04-23T16:23:17Z)
BRIGHTER: BRIdging the Gap in Human-Annotated Textual Emotion Recognition Datasets for 28 Languages [93.92804151830744]
BRIGHTER - 28の異なる言語のマルチラベルデータセットのコレクション。データ収集とアノテーションプロセスとこれらのデータセット構築の課題について説明する。 BRIGHTERデータセットは、テキストベースの感情認識のギャップを埋めるためのステップであることを示す。
論文参考訳（メタデータ） (2025-02-17T15:39:50Z)
SentiXRL: An advanced large language Model Framework for Multilingual Fine-Grained Emotion Classification in Complex Text Environment [9.952187981270326]
我々はSentiment Cross-Lingual Recognition and Logic Framework (SentiXRL)を提案する。 SentiXRLには2つのモジュールがあり、感情検索拡張モジュールは、歴史的対話と論理的推論を通じて複雑な文脈における感情分類の精度を向上させる。我々は、複数の標準データセット上でSentiXRLの優位性を検証し、CPEDおよびCH-SIMSの既存モデルよりも優れており、MELD、Emorynlp、IEMOCAPの全体的な性能向上を実現している。
論文参考訳（メタデータ） (2024-11-27T09:18:26Z)
Emotion Embeddings $\unicode{x2014}$ Learning Stable and Homogeneous Abstractions from Heterogeneous Affective Datasets [4.720033725720261]
感情の共有潜在表現を学習する訓練手順を提案する。幅広い異種感情データセットの実験は、このアプローチが望ましい相互運用性をもたらすことを示している。
論文参考訳（メタデータ） (2023-08-15T16:39:10Z)
MAFW: A Large-scale, Multi-modal, Compound Affective Database for Dynamic Facial Expression Recognition in the Wild [56.61912265155151]
大規模複合感情データベースMAFWを提案する。各クリップには、複雑な感情カテゴリーと、クリップ内の被験者の感情行動を記述する2つの文が注釈付けされている。複合感情のアノテーションでは、それぞれのクリップは、怒り、嫌悪感、恐怖、幸福、中立、悲しみ、驚き、軽蔑、不安、無力感、失望など、広く使われている11の感情のうちの1つ以上に分類される。
論文参考訳（メタデータ） (2022-08-01T13:34:33Z)
Dialog speech sentiment classification for imbalanced datasets [7.84604505907019]
本稿では,短対話発話の単一・二モーダル分析を用い,感情検出に寄与する主な要因について考察する。本稿では、学習率スケジューラと異なる監視基準を用いて、SWITCHBOARDの不均衡感情データセットの最先端結果を提供するアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-09-15T11:43:04Z)
Morphset:Augmenting categorical emotion datasets with dimensional affect labels using face morphing [3.8558530661279224]
フェースモーフィングを用いた既存のカテゴリー感情データセットから合成画像を生成する手法を提案する。この方法は少なくとも20倍以上の増強係数を達成する。
論文参考訳（メタデータ） (2021-03-04T06:33:06Z)
Emotional Semantics-Preserved and Feature-Aligned CycleGAN for Visual Emotion Adaptation [85.20533077846606]
教師なしドメイン適応(UDA)は、あるラベル付きソースドメインで訓練されたモデルを別のラベル付きターゲットドメインに転送する問題を研究する。本稿では,感情分布学習と支配的感情分類の両面での視覚的感情分析におけるUDAに着目した。本稿では,CycleEmotionGAN++と呼ばれる,エンドツーエンドのサイクル整合対向モデルを提案する。
論文参考訳（メタデータ） (2020-11-25T01:31:01Z)
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)
GoEmotions: A Dataset of Fine-Grained Emotions [16.05879383442812]
GoEmotionsは、英語で58万件のRedditコメントを手動で注釈付けした最大のデータセットで、27の感情カテゴリまたはニュートラルにラベル付けされている。 BERTベースのモデルでは、提案された分類学で平均F1スコアの.46を達成し、改善の余地を多く残している。
論文参考訳（メタデータ） (2020-05-01T18:00:02Z)

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。