論文の概要: Beyond Sentiment Classification: A Generative Framework for Emotion Intensity Evaluation in Text

• arxiv url: http://arxiv.org/abs/2605.16613v1
• Date: Fri, 15 May 2026 20:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.802577
• Title: Beyond Sentiment Classification: A Generative Framework for Emotion Intensity Evaluation in Text
• Title（参考訳）: Beyond Sentiment Classification: テキストにおける感情インテンシティ評価のための生成フレームワーク
• Authors: Francesco A. Fabozzi, Dasol Kim, William N. Goetzmann,
• Abstract要約: 感情モデルに新たなアプローチを導入し,認識から評価へと焦点を移す。 我々は、感情分析と感情分析のためのより表現力があり、一般化可能なフレームワークを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel approach to emotion modeling that shifts the focus from identification to evaluation, addressing the limitations of discrete classification in applied domains such as finance. By constructing a dataset of emotional intensity scores and fine-tuning open-weight generative language models to output continuous values from 0-100, we demonstrate a more expressive, generalizable framework for sentiment and emotion analysis. Our findings not only outperform classification baselines but also reveal surprising generalization capabilities and transfer effects to related constructs such as sentiment and arousal. This work contributes to the interdisciplinary recontextualization of NLP by introducing emotion intensity evaluation as an alternative to classification, arguing that this shift better aligns with the needs of domains--such as finance--where the degree of emotional content is central to interpretation and decision-making.
• Abstract（参考訳）: 本研究では,金融などの適用領域における個別分類の限界に対処するため,感情モデルに新たなアプローチを導入し,その焦点を識別から評価へとシフトさせる。 感情強度スコアのデータセットと、0-100から連続的な値を出力するために微調整されたオープンウェイト生成言語モデルを構築することにより、感情と感情分析のためのより表現力があり、一般化可能なフレームワークを実証する。 本研究は, 分類基準を上回るだけでなく, 感情や覚醒といった関連構造に対する驚くほどの一般化能力と伝達効果も明らかにした。 この研究は、感情の強度評価を分類の代替として導入することで、NLPの学際的再テクスチャ化に寄与し、このシフトは、解釈や意思決定の中心となる感情内容の程度が財務などの領域のニーズに合致する、と論じている。

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)
• Emotion-Enhanced Multi-Task Learning with LLMs for Aspect Category Sentiment Analysis [3.605122187208041]
  本稿では,感情極性とカテゴリー固有の感情を学習する,感情強化型ACSAフレームワークを提案する。 我々のアプローチは、各アスペクトカテゴリに対して、モデルが感情的な記述を生成することを可能にする。 また,Valence-Arousal-Dominance(VAD)次元フレームワークに基づく感情改善機構も導入する。
  論文  参考訳（メタデータ） (2025-11-24T13:52:42Z)
• Switchboard-Affect: Emotion Perception Labels from Conversational Speech [7.576840738395629]
  そこで我々は,Switchboard corpus を自然言語の有望な情報源として認識する。 群集に分類的感情と次元属性のデータセットをラベル付けするように訓練する。 我々は、最先端のSERモデルを評価し、特に一般化が貧弱な感情カテゴリーの様々なパフォーマンスを見いだした。
  論文  参考訳（メタデータ） (2025-10-14T21:23:04Z)
• 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)
• Continuous Adversarial Text Representation Learning for Affective Recognition [1.319058156672392]
  本稿では、トランスモデルにおける感情認識の埋め込みを強化するための新しいフレームワークを提案する。 提案手法は,コントラスト学習を導くために,連続原子価覚醒ラベリングシステムを導入する。 動的トークン摂動機構を用いて,感情関連トークンに着目し,感情的手がかりに対するモデル感度を向上させる。
  論文  参考訳（メタデータ） (2025-02-28T00:29:09Z)
• Learning Frame-Wise Emotion Intensity for Audio-Driven Talking-Head Generation [59.81482518924723]
  そこで本研究では,発話頭生成のための微妙なシフトを捕捉し,生成する手法を提案する。 我々は,強度レベルを正確に制御し,様々な感情を生成できる話頭フレームワークを開発した。 提案手法の有効性を実験・解析により検証した。
  論文  参考訳（メタデータ） (2024-09-29T01:02:01Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on Data-Driven Deep Learning [70.30713251031052]
  本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。 実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-15T01:25:32Z)
• Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
  感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。 本稿では,感情の強さを明示的に表現し,制御することを目的とする。 本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
  論文  参考訳（メタデータ） (2022-01-10T02:11:25Z)

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。