Fugu-MT 論文翻訳(概要): HausaNLP at SemEval-2025 Task 11: Advancing Hausa Text-based Emotion Detection

論文の概要: HausaNLP at SemEval-2025 Task 11: Advancing Hausa Text-based Emotion Detection

arxiv url: http://arxiv.org/abs/2506.16388v1
Date: Thu, 19 Jun 2025 15:19:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-23 19:00:05.127447
Title: HausaNLP at SemEval-2025 Task 11: Advancing Hausa Text-based Emotion Detection
Title（参考訳）: SemEval-2025 タスク11における HausaNLP: Hausa テキストによる感情検出の改善
Authors: Sani Abdullahi Sani, Salim Abubakar, Falalu Ibrahim Lawan, Abdulhamid Abubakar, Maryam Bala,
Abstract要約: 本稿では,低リソースのアフリカ系言語であるHausaにおけるマルチラベル感情検出へのアプローチについて述べる。アフリカの言語で事前訓練されたトランスフォーマーベースのモデルであるAfriBERTaを微調整して、Hausaテキストを怒り、嫌悪感、恐怖、喜び、悲しみ、驚きの6つの感情に分類しました。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents our approach to multi-label emotion detection in Hausa, a low-resource African language, as part of SemEval Track A. We fine-tuned AfriBERTa, a transformer-based model pre-trained on African languages, to classify Hausa text into six emotions: anger, disgust, fear, joy, sadness, and surprise. Our methodology involved data preprocessing, tokenization, and model fine-tuning using the Hugging Face Trainer API. The system achieved a validation accuracy of 74.00%, with an F1-score of 73.50%, demonstrating the effectiveness of transformer-based models for emotion detection in low-resource languages.
Abstract（参考訳）: 本稿では,アフリカ語で事前学習したトランスフォーマーベースモデルであるAfriBERTaを,怒り,嫌悪感,恐怖,喜び,驚きの6つの感情に分類した。本手法では,Hugging Face Trainer APIを用いたデータ前処理,トークン化,モデル微調整を行った。このシステムは74.00%の精度を達成し、F1スコアは73.50%となり、低リソース言語における感情検出のためのトランスフォーマーベースのモデルの有効性を実証した。

関連論文リスト

Empaths at SemEval-2025 Task 11: Retrieval-Augmented Approach to Perceived Emotions Prediction [83.88591755871734]
EmoRAGは、SemEval-2025 Task 11, Subtask A: Multi-label Emotion Detectionのためのテキスト中の知覚感情を検出するように設計されたシステムである。我々は、与えられたテキストスニペットから話者の知覚された感情を予測することに集中し、喜び、悲しみ、恐怖、怒り、驚き、嫌悪感などの感情をラベル付けする。
論文参考訳（メタデータ） (2025-06-04T19:41:24Z)
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)
Who Wrote This? Identifying Machine vs Human-Generated Text in Hausa [2.303135660004888]
ハウサで人間と機械が生成するコンテンツを区別できる最初の大規模検出器を開発した。 AfriXLMRは99.23%、F1スコア99.21%で最高性能を達成した。
論文参考訳（メタデータ） (2025-03-17T12:13:37Z)
SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection [76.18321723846616]
タスクは7つの異なる言語ファミリーから30以上の言語をカバーしている。データインスタンスは6つの感情クラスでマルチラベルされており、感情の強さに注釈を付けた11言語にデータセットが追加されている。参加者は, (a) マルチラベル感情検出, (b) 感情強度スコア検出, (c) 言語間感情検出の3つのトラックでラベルの予測を依頼された。
論文参考訳（メタデータ） (2025-03-10T12:49:31Z)
Team A at SemEval-2025 Task 11: Breaking Language Barriers in Emotion Detection with Multilingual Models [0.06138671548064355]
本稿では,チームAからSemEval 2025タスク11に提出された「テキストベース感情検出におけるギャップを埋める」システムについて述べる。このタスクは、テキストスニペットから話者の知覚された感情を識別することを含み、各インスタンスには喜び、悲しみ、恐怖、怒り、驚き、嫌悪の6つの感情の1つが注がれた。検討した様々なアプローチの中で, マルチリンガル埋め込みと完全連結層を組み合わせることで, 最高の性能を実現した。
論文参考訳（メタデータ） (2025-02-27T07:59:01Z)
Leveraging Cross-Attention Transformer and Multi-Feature Fusion for Cross-Linguistic Speech Emotion Recognition [60.58049741496505]
音声感情認識(SER)は、人間とコンピュータの相互作用を強化する上で重要な役割を担っている。本稿では,HuBERT,MFCC,および韻律特性を組み合わせたHuMP-CATを提案する。 HMP-CATは、ターゲットデータセットから少量の音声でソースモデルを微調整することにより、平均78.75%の精度が得られることを示す。
論文参考訳（メタデータ） (2025-01-06T14:31:25Z)
Leveraging the power of transformers for guilt detection in text [50.65526700061155]
本研究は,テキスト中の罪悪感を検出するための3つのトランスフォーマーベース言語モデルの適用性について検討する。提案モデルでは,BERTとRoBERTaをそれぞれ2点,RoBERTaを1点で比較した。
論文参考訳（メタデータ） (2024-01-15T01:40:39Z)
LDEB -- Label Digitization with Emotion Binarization and Machine Learning for Emotion Recognition in Conversational Dialogues [0.0]
会話における感情認識(ERC)は、会話AIとその応用の発展に不可欠である。会話の対話は、各対話が感情の特徴記述子と感情タイプ(またはラベル)の関連を絡めるネストされた感情を描写するユニークな問題を示す。テキスト正規化と7ビットディジタル符号化技術を用いて、ツイストをアンタングル化するLDEB(Label Digitization with Emotion Binarization)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-06-03T20:37:46Z)
A Pre-trained Audio-Visual Transformer for Emotion Recognition [5.321281630718918]
4000人近い有名人から500k以上の発話を訓練した事前学習型音声-視覚変換器を導入する。このモデルは、人間の顔と聴覚行動の相互作用から有用な情報を取り込み、抽出することを目的としている。
論文参考訳（メタデータ） (2022-01-23T03:09:16Z)
Towards Emotion Recognition in Hindi-English Code-Mixed Data: A Transformer Based Approach [0.0]
感情検出のためのラベル付きhinglishデータセットを提案する。ヒンディー語と英語の混成ツイートの感情を検出するための深層学習に基づくアプローチに注目した。
論文参考訳（メタデータ） (2021-02-19T14:07:20Z)
Kungfupanda at SemEval-2020 Task 12: BERT-Based Multi-Task Learning for Offensive Language Detection [55.445023584632175]
我々は,マルチタスク学習とBERTモデルを組み合わせた攻撃的言語検出システムを構築した。我々のモデルは、英語のサブタスクAで91.51%のF1スコアを獲得し、これは第1位に匹敵する。
論文参考訳（メタデータ） (2020-04-28T11:27:24Z)

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。