論文の概要: Emotion Entanglement and Bayesian Inference for Multi-Dimensional Emotion Understanding

• arxiv url: http://arxiv.org/abs/2604.00819v1
• Date: Wed, 01 Apr 2026 12:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.983672
• Title: Emotion Entanglement and Bayesian Inference for Multi-Dimensional Emotion Understanding
• Title（参考訳）: 多次元感情理解のための感情絡みとベイズ推論
• Authors: Hemanth Kotaprolu, Kishan Maharaj, Raey Zhao, Abhijit Mishra, Pushpak Bhattacharyya,
• Abstract要約: EmoSceneは4,731の文脈に富んだシナリオを8次元の感情ベクトルでアノテートした理論に基づくベンチマークである。 本稿では,感情共起統計を組み込んだ絡み合い型ベイズ推定フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 40.766332191425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding emotions in natural language is inherently a multi-dimensional reasoning problem, where multiple affective signals interact through context, interpersonal relations, and situational cues. However, most existing emotion understanding benchmarks rely on short texts and predefined emotion labels, reducing this process to independent label prediction and ignoring the structured dependencies among emotions. To address this limitation, we introduce Emotional Scenarios (EmoScene), a theory-grounded benchmark of 4,731 context-rich scenarios annotated with an 8-dimensional emotion vector derived from Plutchik's basic emotions. We evaluate six instruction-tuned large language models in a zero-shot setting and observe modest performance, with the best model achieving a Macro F1 of 0.501, highlighting the difficulty of context-aware multi-label emotion prediction. Motivated by the observation that emotions rarely occur independently, we further propose an entanglement-aware Bayesian inference framework that incorporates emotion co-occurrence statistics to perform joint posterior inference over the emotion vector. This lightweight post-processing improves structural consistency of predictions and yields notable gains for weaker models (e.g., +0.051 Macro F1 for Qwen2.5-7B). EmoScene therefore provides a challenging benchmark for studying multi-dimensional emotion understanding and the limitations of current language models.
• Abstract（参考訳）: 自然言語における感情を理解することは本質的に多次元の推論問題であり、複数の感情的信号が文脈、対人関係、状況的手がかりを通じて相互作用する。 しかし、既存の感情理解ベンチマークのほとんどは、短いテキストと事前に定義された感情ラベルに依存しており、このプロセスを独立したラベル予測に還元し、感情間の構造化された依存関係を無視している。 この制限に対処するために、Plutchikの基本感情から派生した8次元の感情ベクトルを付加した4,731の文脈リッチシナリオの理論的根拠付きベンチマークであるEmotional Scenarios(EmoScene)を紹介する。 我々は、ゼロショット設定で6つの命令調整された大言語モデルを評価し、最も優れたモデルが0.501のマクロF1を達成し、文脈対応のマルチラベル感情予測の難しさを浮き彫りにした。 さらに,感情が独立して発生することは稀である,という観察に触発され,情動共起統計を組み込んだ絡み合いを意識したベイズ推論フレームワークを提案し,感情ベクトル上での関節後部推論を行う。 この軽量な後処理は予測の構造的整合性を改善し、弱いモデル(例えば Qwen2.5-7B では +0.051 Macro F1 )に対して顕著な利得を得る。 したがって、EmoSceneは多次元の感情理解と現在の言語モデルの限界を研究するための挑戦的なベンチマークを提供する。

関連論文リスト

• Emotion is Not Just a Label: Latent Emotional Factors in LLM Processing [4.733799057798266]
  私たちは感情を、モデルがどのようにテキストに従属し、推論するかを形作る潜在要因として研究しています。 我々は、トランスモデルにおいて、感情的なトーンが注意構造を体系的にどう変化させるかを分析する。 トレーニング中に感情条件付き表現の漂流を制限する感情正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-10T05:23:18Z)
• UDDETTS: Unifying Discrete and Dimensional Emotions for Controllable Emotional Text-to-Speech [61.989360995528905]
  制御可能な感情的TTSのための離散的感情と次元的感情を統一する普遍的なフレームワークであるUDDETTSを提案する。 このモデルは、次元的感情記述のための解釈可能なArousal-Dominance-Valence(ADV)空間を導入し、離散的な感情ラベルまたは非線形に定量化されたADV値によって駆動される感情制御をサポートする。 実験の結果, UDDETTSは3次元の線形感情制御を実現し, エンドツーエンドの感情音声合成能力に優れていた。
  論文  参考訳（メタデータ） (2025-05-15T12:57:19Z)
• MoEE: Mixture of Emotion Experts for Audio-Driven Portrait Animation [39.30784838378127]
  音声アバターの生成は、正確な音声同期において大きな進歩を遂げた。 現在の手法は、単一の基本的な感情表現をモデル化するフレームワークの欠如など、基本的な課題に直面している。 本研究では,6つの基本的な感情を分離し,特異な感情状態と複合的な感情状態の両方を正確に合成する混合感情エキスパートモデルを提案する。 DH-FaceEmoVid-150データセットと組み合わせて、複雑な感情表現とニュアンスのある顔の詳細を生成するのにMoEEフレームワークが優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-03T13:43:21Z)
• 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)
• 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)

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。