論文の概要: EmoPerso: Enhancing Personality Detection with Self-Supervised Emotion-Aware Modelling

• arxiv url: http://arxiv.org/abs/2509.02450v1
• Date: Tue, 02 Sep 2025 15:57:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.091882
• Title: EmoPerso: Enhancing Personality Detection with Self-Supervised Emotion-Aware Modelling
• Title（参考訳）: EmoPerso:自己監視型感情認識モデルによるパーソナリティ検出の強化
• Authors: Lingzhi Shen, Xiaohao Cai, Yunfei Long, Imran Razzak, Guanming Chen, Shoaib Jameel,
• Abstract要約: テキストからの個人性検出は、ユーザーのソーシャルメディア投稿を分析して行うのが一般的である。 本稿では,感情認識モデルによる人格検出を改善する自己教師型フレームワークであるEmoPersoを提案する。
• 参考スコア（独自算出の注目度）: 22.309957211042597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personality detection from text is commonly performed by analysing users' social media posts. However, existing methods heavily rely on large-scale annotated datasets, making it challenging to obtain high-quality personality labels. Moreover, most studies treat emotion and personality as independent variables, overlooking their interactions. In this paper, we propose a novel self-supervised framework, EmoPerso, which improves personality detection through emotion-aware modelling. EmoPerso first leverages generative mechanisms for synthetic data augmentation and rich representation learning. It then extracts pseudo-labeled emotion features and jointly optimizes them with personality prediction via multi-task learning. A cross-attention module is employed to capture fine-grained interactions between personality traits and the inferred emotional representations. To further refine relational reasoning, EmoPerso adopts a self-taught strategy to enhance the model's reasoning capabilities iteratively. Extensive experiments on two benchmark datasets demonstrate that EmoPerso surpasses state-of-the-art models. The source code is available at https://github.com/slz0925/EmoPerso.
• Abstract（参考訳）: テキストからの個人性検出は、ユーザーのソーシャルメディア投稿を分析して行うのが一般的である。 しかし、既存の手法は大規模アノテートデータセットに大きく依存しており、高品質なパーソナリティラベルを取得することは困難である。 さらに、ほとんどの研究は、感情と性格を独立した変数として扱い、相互作用を見渡す。 本稿では,感情認識モデルによる人格検出を改善する,新しい自己教師型フレームワークであるEmoPersoを提案する。 EmoPersoはまず、合成データ拡張とリッチ表現学習のための生成メカニズムを活用する。 その後、擬似ラベル付き感情特徴を抽出し、マルチタスク学習を通じて人格予測と共同で最適化する。 クロスアテンションモジュールは、性格特性と推論された感情表現の間のきめ細かい相互作用を捉えるために使用される。 関係推論をさらに洗練するために、EmoPersoはモデルの推論能力を反復的に強化する自己学習戦略を採用している。 2つのベンチマークデータセットに対する大規模な実験は、EmoPersoが最先端のモデルを上回っていることを示している。 ソースコードはhttps://github.com/slz0925/EmoPerso.comで入手できる。

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)
• Modelling Emotions in Face-to-Face Setting: The Interplay of Eye-Tracking, Personality, and Temporal Dynamics [1.4645774851707578]
  本研究では、視線追跡データ、時間的ダイナミクス、性格特性を統合することで、知覚と知覚の両方の感情の検出を大幅に向上させる方法について述べる。 本研究は,将来の情緒コンピューティングと人間エージェントシステムの設計を示唆するものである。
  論文  参考訳（メタデータ） (2025-03-18T13:15:32Z)
• UniEmoX: Cross-modal Semantic-Guided Large-Scale Pretraining for Universal Scene Emotion Perception [8.54013419046987]
  視覚的感情分析のためのクロスモーダルな意味誘導型大規模事前学習フレームワークUniEmoXを紹介する。 UniEmoXは、ペア画像と未ペア画像テキストの類似性を利用して、CLIPモデルから豊富な意味知識を抽出し、感情的な埋め込み表現を強化する。 Emo8というタイトルの視覚的感情的データセットを開発し、ほとんどすべての感情的シーンをカバーしています。
  論文  参考訳（メタデータ） (2024-09-27T16:12:51Z)
• 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)
• 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)
• Multitask Learning for Emotion and Personality Detection [17.029426018676997]
  本研究では,人格特性と感情行動の相関関係を解明し,新しいマルチタスク学習フレームワークSoGMTLを提案する。 当社の計算効率の高いCNNベースのマルチタスクモデルは、複数の有名なパーソナリティおよび感情データセットにわたる最先端のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-01-07T03:09:55Z)

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。