論文の概要: Fuzzy Fingerprinting Encoder Pre-trained Language Models for Emotion Recognition in Conversations: Human Assessment and Validity Study
- arxiv url: http://arxiv.org/abs/2605.02665v1
- Date: Mon, 04 May 2026 14:46:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.344575
- Title: Fuzzy Fingerprinting Encoder Pre-trained Language Models for Emotion Recognition in Conversations: Human Assessment and Validity Study
- Title（参考訳）: 会話における感情認識のためのファジィフィンガープリントエンコーダ事前訓練言語モデル:人間による評価と妥当性の検討
- Authors: Patrícia Pereira, Helena Moniz, Joao Paulo Carvalho,
- Abstract要約: 本稿では、事前学習された言語モデルとファジィフィンガープリント(FFP)を組み合わせることで、会話における感情認識(ERC)に対する新しい解釈可能なアプローチを提案する。
提案手法は, 深部神経推論と人間の知覚のギャップを埋め, 最先端のレベルで動作し, 同時に, 分類手順に関する貴重な洞察を提供する。
- 参考スコア（独自算出の注目度）: 0.433313790597694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Emotion Recognition in Conversations (ERC), model decisions should align with nuanced human perception and ideally provide insights on the classification process. Standard encoder pre-trained language models (PLMs) are the state-of-the-art at these tasks but offer little insight into why a certain prediction is made. This is especially problematic in imbalanced datasets, where most utterances are labeled as neutral, making these models frequently misclassify minority emotions as the majority neutral class. To tackle this issue, we introduced a novel, interpretable approach to ERC by combining PLMs with Fuzzy Fingerprints (FFPs). FFP provide class-specific prototypes that reflect the characteristic class activation patterns in the PLM's latent space. They are derived by ranking and fuzzifying the activations of the pooled conversational context-dependent embeddings across training instances for each emotion. At inference time, each input utterance is similarly fuzzy fingerprinted and matched to the emotion prototypes using a fuzzy similarity function based on the aggregation of the intersection of the fuzzy sets that define each FFP. Experimental results show that FFP integration reduces overclassification into the neutral class and human evaluation further supports the adequacy of FFP predictions. Our proposed method thus bridges the gap between deep neural inference and human perception, performing at state-of-the-art level while simultaneously offering valuable insights into the classification procedure.
- Abstract（参考訳）: 会話における感情認識(Emotion Recognition in Conversations:ERC)では、モデル決定は人間の知覚のニュアンスと一致し、分類プロセスに関する洞察を理想的に提供すべきである。
標準エンコーダ事前訓練言語モデル(PLM)は、これらのタスクの最先端技術であるが、なぜ特定の予測がなされたのかについての知見はほとんど得られない。
これは、ほとんどの発話が中立であるとラベル付けされる不均衡データセットにおいて特に問題であり、これらのモデルは少数派感情を多数中立クラスとして誤分類することが多い。
この問題に対処するために,PLMとファジィフィンガープリント(FFP)を組み合わせることで,ERCに対する新しい解釈可能なアプローチを導入した。
FFPは、PLMの潜在空間における特徴的なクラスの活性化パターンを反映したクラス固有のプロトタイプを提供する。
それらは、各感情のトレーニングインスタンスにまたがって、プールされた会話コンテキスト依存の埋め込みのアクティベーションのランク付けとファジフィケーションによって導かれる。
推測時には、各入力発話は同様にファジィフィンガープリントされ、各FFPを定義するファジィ集合の交点の集約に基づいてファジィ類似関数を用いて感情プロトタイプとマッチングされる。
実験結果から,FFP統合は中性クラスへの過剰な分類を減らし,人間による評価はFFP予測の妥当性をさらに向上させることが示された。
提案手法は, 深部神経推論と人間の知覚のギャップを埋め, 最先端のレベルで動作し, 同時に, 分類手順に関する貴重な洞察を提供する。
関連論文リスト
- Cognitive Alignment in Personality Reasoning: Leveraging Prototype Theory for MBTI Inference [33.207642254711]
ProtoMBTIは、LLMベースのパイプライン内でプロトタイプ理論を運用するMBTI推論のためのフレームワークである。
その結果, 推論プロセスと心理的プロトタイプ推論の整合性は, テキストベースパーソナリティモデリングの精度, 解釈可能性, 伝達性が向上することが示唆された。
論文 参考訳（メタデータ） (2025-10-31T02:45:30Z) - Unsupervised Pairwise Learning Optimization Framework for Cross-Corpus EEG-Based Emotion Recognition Based on Prototype Representation [1.3354439722832292]
企業間感情認識は、特に意思決定境界付近のサンプルにおいて深刻な課題に直面している。
本稿では,ドメイン逆転変換学習に基づく感情特徴の微粒なアライメントに対する最適化手法を提案する。
私たちの研究は、感情認識のクロスコーパスに有望なソリューションを提供します。
論文 参考訳（メタデータ） (2025-08-06T06:29:19Z) - Training-Free Class Purification for Open-Vocabulary Semantic Segmentation [72.87707878910896]
FreeCPは、セマンティックセグメンテーションのためのトレーニング不要のクラス浄化フレームワークである。
我々は,FreeCPの有効性を検証するため,8つのベンチマークで実験を行った。
その結果、プラグイン・アンド・プレイモジュールであるFreeCPは、他のOVSSメソッドと組み合わせることでセグメンテーション性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-08-01T11:55:12Z) - Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。
MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
論文 参考訳（メタデータ） (2025-03-22T22:13:14Z) - Prototypical Calibrating Ambiguous Samples for Micro-Action Recognition [34.4463059961465]
MAR(Micro-Action Recognition)は、社会的相互作用における非言語コミュニケーションの一形態として重要な役割を担っているため、注目を集めている。
現在のアプローチは、広範囲のカテゴリ範囲と微妙な視覚的差異から生じる、マイクロアクションの固有のあいまいさをしばしば見落としている。
我々は,MARのあいまいさを解消し緩和するための,新しいプロトタイプキャリブレーション・アンビグラス・ネットワーク(PCAN)を提案する。
論文 参考訳（メタデータ） (2024-12-19T10:41:24Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - CUE: An Uncertainty Interpretation Framework for Text Classifiers Built
on Pre-Trained Language Models [28.750894873827068]
本稿では,PLMモデルに固有の不確かさを解釈することを目的とした,CUEと呼ばれる新しいフレームワークを提案する。
摂動と原文表現の予測不確実性の違いを比較することにより,不確実性の原因となる潜伏次元を同定することができる。
論文 参考訳（メタデータ） (2023-06-06T11:37:46Z) - MMLatch: Bottom-up Top-down Fusion for Multimodal Sentiment Analysis [84.7287684402508]
マルチモーダル融合に対する最近のディープラーニングアプローチは、ハイレベルおよびミドルレベルの潜在モダリティ表現のボトムアップ融合に依存している。
人間の知覚モデルでは、高レベルの表現が感覚入力の知覚に影響を及ぼすトップダウン融合の重要性を強調している。
本稿では,ネットワークトレーニング中のフォワードパスにおけるフィードバック機構を用いて,トップダウンのクロスモーダルインタラクションをキャプチャするニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-24T17:48:04Z) - MEmoBERT: Pre-training Model with Prompt-based Learning for Multimodal
Emotion Recognition [118.73025093045652]
マルチモーダル感情認識のための事前学習モデル textbfMEmoBERT を提案する。
従来の「訓練前、微妙な」パラダイムとは異なり、下流の感情分類タスクをマスク付きテキスト予測として再構成するプロンプトベースの手法を提案する。
提案するMEMOBERTは感情認識性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-10-27T09:57:00Z) - Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。
対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。
比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文 参考訳（メタデータ） (2021-09-22T10:47:51Z)
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。