Fugu-MT 論文翻訳(概要): CHEER-Ekman: Fine-grained Embodied Emotion Classification

論文の概要: CHEER-Ekman: Fine-grained Embodied Emotion Classification

arxiv url: http://arxiv.org/abs/2506.01047v2
Date: Tue, 03 Jun 2025 03:33:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-05 04:22:50.701782
Title: CHEER-Ekman: Fine-grained Embodied Emotion Classification
Title（参考訳）: CHEER-Ekman:きめ細かな身体的感情分類
Authors: Phan Anh Duong, Cat Luong, Divyesh Bommana, Tianyu Jiang,
Abstract要約: Ekmanの6つの基本的な感情カテゴリで、既存のバイナリエンボディ感情データセットを拡張します。大規模言語モデルによる自動ベストワーストスケーリングを用いることで,教師付きアプローチよりも優れたパフォーマンスを実現する。本研究は, 感情認識の精度を著しく向上させるため, 指示の簡易化, 思考の連鎖的推論が示唆された。
参考スコア（独自算出の注目度）: 4.762323642506733
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Emotions manifest through physical experiences and bodily reactions, yet identifying such embodied emotions in text remains understudied. We present an embodied emotion classification dataset, CHEER-Ekman, extending the existing binary embodied emotion dataset with Ekman's six basic emotion categories. Using automatic best-worst scaling with large language models, we achieve performance superior to supervised approaches on our new dataset. Our investigation reveals that simplified prompting instructions and chain-of-thought reasoning significantly improve emotion recognition accuracy, enabling smaller models to achieve competitive performance with larger ones. Our dataset is publicly available at: https://github.com/menamerai/cheer-ekman.
Abstract（参考訳）: 身体的な経験や身体的な反応を通じて感情が表れるが、そのような体現された感情をテキストで特定することはいまだ検討されていない。本稿では,感情分類データセットCHEER-Ekmanについて述べる。大規模言語モデルによる自動ベストワーストスケーリングを使用することで、新しいデータセットの教師付きアプローチよりも優れたパフォーマンスを実現しています。本研究は,より簡単な指示と連鎖推論により感情認識精度が大幅に向上し,より小さなモデルで大規模モデルとの競争性能が向上することを明らかにする。私たちのデータセットは、https://github.com/menamerai/cheer-ekman.comで公開されています。

関連論文リスト

Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
論文参考訳（メタデータ） (2025-04-25T05:28:21Z)
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)
Emotion Detection in Reddit: Comparative Study of Machine Learning and Deep Learning Techniques [0.0]
本研究は,GoEmotionsデータセットを利用したテキストによる感情検出に焦点を当てた。このタスクには、6つの機械学習モデル、3つのアンサンブルモデル、Long Short-Term Memory(LSTM)モデルなど、さまざまなモデルを使用しました。結果は、Stacking分類器が他のモデルよりも精度と性能が優れていることを示している。
論文参考訳（メタデータ） (2024-11-15T16:28:25Z)
Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。 EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
論文参考訳（メタデータ） (2023-11-16T06:20:13Z)
Learning Emotion Representations from Verbal and Nonverbal Communication [7.747924294389427]
本稿では,言語・非言語コミュニケーションから視覚的感情表現を抽出する最初の事前学習パラダイムであるEmotionCLIPを提案する。 EmotionCLIPは、感情誘導型コントラスト学習を用いて、主観的文脈エンコーディングと言語感情キューを通じて、非言語感情キューへの参加を誘導する。 EmotionCLIPは、感情理解におけるデータ不足の一般的な問題に対処し、関連する領域の進歩を促進する。
論文参考訳（メタデータ） (2023-05-22T21:36:55Z)
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)
HICEM: A High-Coverage Emotion Model for Artificial Emotional Intelligence [9.153146173929935]
次世代の人工知能(AEI)は、より深く、より有意義な人間と機械の相互作用に対するユーザの欲求に対処するために、中心的な段階を採っている。心理学における歴史的焦点である感情の理論とは異なり、感情モデルは記述的な道具である。この研究は、社会ロボティクス、人間と機械の相互作用、メンタルヘルスケア、計算心理学に幅広い影響を及ぼす。
論文参考訳（メタデータ） (2022-06-15T15:21:30Z)
Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
論文参考訳（メタデータ） (2021-04-20T16:55:15Z)
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。