論文の概要: Persona-Based Synthetic Data Generation Using Multi-Stage Conditioning with Large Language Models for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2507.13380v1
• Date: Tue, 15 Jul 2025 11:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.052723
• Title: Persona-Based Synthetic Data Generation Using Multi-Stage Conditioning with Large Language Models for Emotion Recognition
• Title（参考訳）: 感情認識のための大規模言語モデルを用いた多段階条件付きペルソナベース合成データ生成
• Authors: Keito Inoshita, Rushia Harada,
• Abstract要約: 大規模言語モデル(LLM)を用いた感情豊かなテキストを生成する新しいフレームワークであるPersonaGenを紹介する。 PersonaGenは、階層化された仮想ペルソナを構築する。 実験の結果,ペルソナジェネレーションは,多様で一貫性があり,差別的な感情表現を生成する上で,基本的手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of emotion recognition, the development of high-performance models remains a challenge due to the scarcity of high-quality, diverse emotional datasets. Emotional expressions are inherently subjective, shaped by individual personality traits, socio-cultural backgrounds, and contextual factors, making large-scale, generalizable data collection both ethically and practically difficult. To address this issue, we introduce PersonaGen, a novel framework for generating emotionally rich text using a Large Language Model (LLM) through multi-stage persona-based conditioning. PersonaGen constructs layered virtual personas by combining demographic attributes, socio-cultural backgrounds, and detailed situational contexts, which are then used to guide emotion expression generation. We conduct comprehensive evaluations of the generated synthetic data, assessing semantic diversity through clustering and distributional metrics, human-likeness via LLM-based quality scoring, realism through comparison with real-world emotion corpora, and practical utility in downstream emotion classification tasks. Experimental results show that PersonaGen significantly outperforms baseline methods in generating diverse, coherent, and discriminative emotion expressions, demonstrating its potential as a robust alternative for augmenting or replacing real-world emotional datasets.
• Abstract（参考訳）: 感情認識の分野では、高品質で多様な感情データセットが不足しているため、高性能モデルの開発は依然として課題である。 感情表現は本質的に主観的であり、個性の特徴、社会文化的背景、文脈的要因によって形成され、倫理的にも実用的にも大規模で一般化可能なデータ収集を困難にしている。 この問題に対処するために,多段階のペルソナベースの条件付けを通じてLLM(Large Language Model)を用いて感情的に豊かなテキストを生成する新しいフレームワークであるPersonaGenを紹介する。 PersonaGenは、階層化された仮想ペルソナを、人口統計特性、社会文化的背景、詳細な状況コンテキストを組み合わせて構築し、感情表現の生成を誘導する。 生成した合成データの包括的評価、クラスタリングと分布メトリクスによる意味的多様性の評価、LLMによる品質評価による人間的類似性、実世界の感情コーパスとの比較によるリアリズム、下流の感情分類タスクにおける実用的有用性について検討する。 実験結果から,PersonaGenは,多様な,一貫性のある,差別的な感情表現を生成する上で,ベースライン法を著しく上回り,実世界の感情データセットを増強あるいは置き換えるための堅牢な代替手段としての可能性を示した。

関連論文リスト

• ELSA: A Style Aligned Dataset for Emotionally Intelligent Language Generation [0.29998889086656577]
  既存の感情データセットには感情的な粒度が欠けているか、必要なスタイルの多様性を捉えていないかのどちらかがある。 本稿では,ELSA感情と言語スタイルアライメントという,体系的に構築された新しいデータセットを紹介する。 このデータセットは、異なる文脈スタイルで再生された原文の感情的ニュアンスのあるバリエーションを複数含む。
  論文  参考訳（メタデータ） (2025-04-11T06:30:16Z)
• Enhancing Multi-Label Emotion Analysis and Corresponding Intensities for Ethiopian Languages [7.18917640223178]
  我々はEthioEmoデータセットのようなマルチラベル設定で感情を注釈付けする。 各ラベル付けされた感情の強さに関するアノテーションを含める。 我々は、様々な最先端エンコーダのみの事前訓練言語モデル(PLM)とデコーダのみの大規模言語モデル(LLM)を評価する。
  論文  参考訳（メタデータ） (2025-03-24T00:34:36Z)
• Enriching Multimodal Sentiment Analysis through Textual Emotional Descriptions of Visual-Audio Content [56.62027582702816]
  マルチモーダル・センティメント・アナリティクスは、テキスト、音声、視覚データを融合することで人間の感情を解き放つことを目指している。 しかし、音声やビデオの表現の中で微妙な感情的なニュアンスを認識することは、恐ろしい挑戦だ。 テキストの感情記述に基づくプログレッシブ・フュージョン・フレームワークであるDEVAを紹介する。
  論文  参考訳（メタデータ） (2024-12-12T11:30:41Z)
• When Words Smile: Generating Diverse Emotional Facial Expressions from Text [72.19705878257204]
  本稿では,感情動態に着目したエンドツーエンドのテキスト対表現モデルを提案する。 我々のモデルは連続的な潜伏空間における表情の変動を学習し、多様な、流動的で、感情的に一貫性のある表現を生成する。
  論文  参考訳（メタデータ） (2024-12-03T15:39:05Z)
• MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
  そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。 以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
  論文  参考訳（メタデータ） (2024-11-18T02:09:48Z)
• CAPE: A Chinese Dataset for Appraisal-based Emotional Generation using Large Language Models [30.40159858361768]
  認知評価理論に基づく感情コーパスという中国のデータセットであるCAPEを作成するための2段階の自動データ生成フレームワークを提案する。 このコーパスは、多様な個人的・状況的要因を考慮し、文脈的に適切な感情的反応を伴う対話を生成する。 我々の研究は、会話エージェントにおける感情表現を前進させる可能性を示し、よりニュアンスで有意義な人間とコンピュータの相互作用の道を開いた。
  論文  参考訳（メタデータ） (2024-10-18T03:33:18Z)
• EmoLLM: Multimodal Emotional Understanding Meets Large Language Models [61.179731667080326]
  マルチモーダル・大規模言語モデル(MLLM)は、目的とするマルチモーダル認識タスクにおいて顕著な性能を達成している。 しかし、主観的、感情的にニュアンスのあるマルチモーダルコンテンツを解釈する能力はほとんど解明されていない。 EmoLLMは、マルチモーダルな感情理解のための新しいモデルであり、2つのコア技術が組み込まれている。
  論文  参考訳（メタデータ） (2024-06-24T08:33:02Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• Implicit Design Choices and Their Impact on Emotion Recognition Model Development and Evaluation [5.534160116442057]
  感情の主観性は、正確で堅牢な計算モデルを開発する上で大きな課題を生じさせる。 この論文は、多様なデータセットの収集から始まる感情認識の批判的な側面を調べる。 非表現的トレーニングデータの課題に対処するため、この研究はマルチモーダルストレス感情データセットを収集する。
  論文  参考訳（メタデータ） (2023-09-06T02:45:42Z)
• 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)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• 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)

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。