論文の概要: Generation or Judgement? A Paradigm Perspective on LLM-Based Emotion-Cause Pair Extraction in Conversation

• arxiv url: http://arxiv.org/abs/2607.26967v1
• Date: Wed, 29 Jul 2026 14:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.701617
• Title: Generation or Judgement? A Paradigm Perspective on LLM-Based Emotion-Cause Pair Extraction in Conversation
• Title（参考訳）: 生成か判断か? : 会話におけるLLMに基づく感情因果対抽出のパラダイム的視点
• Authors: Weijie Feng, Hongchuang Wang, Binbin Liu, Zhiyong Cheng,
• Abstract要約: 会話における感情起因のペア抽出(ECPEC)は、ある発話が別の発話で表現された感情を引き起こす発話対を特定する。 最近のLCMベースのアプローチでは、完全なペアセットの生成から個々の候補ペアの判断に至るまで、ECPECを著しく異なる粒度で定式化している。 タスクの定式化がパフォーマンスに大きく影響を与えるという驚くべき観察を行い、ペアレベルの判断は対話レベルの生成よりも優れています。
• 参考スコア（独自算出の注目度）: 4.806110605218776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion-cause pair extraction in conversation (ECPEC) identifies utterance pairs in which one utterance causes an emotion expressed in another. Recent LLM-based approaches formulate ECPEC at markedly different granularities, ranging from generating complete pair sets to judging individual candidate pairs. In this paper, we make the surprising observation that task formulation substantially affects performance, where pair-level judgement outperforms dialogue-level generation in all 18 controlled comparisons. We investigate the sources of this paradigm gap and find that many relations omitted by dialogue-level generation remain recognizable under explicit pair queries, under which the model recognizes 92.7%-98.1% of emotion-cause relations. This suggests that LLMs can recognize emotion-cause relations but struggle to discover and return complete pair sets. Pair-level judgement alleviates this burden, although its candidate rankings are more reliable than the binary decisions produced by a shared threshold. Based on this diagnosis, we introduce an auxiliary retriever that selectively re-examines ambiguous boundary cases, yielding consistent F1 improvements of 0.50-1.46 points across three datasets while maintaining an inference time of only 1.49x that of the baseline paradigm. These findings show that task decomposition and candidate scope are critical to effectively utilizing LLMs for ECPEC.
• Abstract（参考訳）: 会話における感情起因のペア抽出(ECPEC)は、ある発話が別の発話で表現された感情を引き起こす発話対を特定する。 最近のLCMベースのアプローチでは、完全なペアセットの生成から個々の候補ペアの判断に至るまで、ECPECを著しく異なる粒度で定式化している。 本稿では,タスクの定式化が性能に大きく影響を与え,ペアレベルの判断が18種類の比較において対話レベルの生成より優れることを示す。 このパラダイムギャップの源泉を調査し、対話レベルの生成によって省略された多くの関係が、明示的なペアクエリの下で認識可能であることを確認し、そのモデルが92.7%-98.1%の感情原因関係を認識する。 このことは、LLMが感情に起因した関係を認識できるが、完全なペアセットを発見して返すのに苦労していることを示唆している。 ペアレベルの判断は、この負担を軽減するが、その候補のランクは共有しきい値による二項決定よりも信頼性が高い。 この診断に基づいて,不明瞭な境界のケースを選択的に再検討し,ベースラインパラダイムの1.49倍の推測時間を維持しつつ,3つのデータセットで0.50-1.46点の連続的なF1改善を達成できる補助的検索器を導入する。 これらの結果から,LCMをECPECに効果的に活用するには,タスクの分解と候補範囲が重要であることが示唆された。

関連論文リスト

• LLMs Encode Relevance as a Layer-Wise Cross-Lingual Signal [8.33491432828288]
  命令調整言語モデルにおける残差ストリームアクティベーションから,クエリ文書の関連性が線形に除去可能であるかを検討する。 以上の結果から,q-d関係は深さ依存信号として符号化されていることが示唆された。 いくつかのモデルでは、バリデーション選択されたプローブが生成された判断にマッチするか、性能が良くなり、システムランキングがより保存される。
  論文  参考訳（メタデータ） (2026-07-17T01:54:45Z)
• Emotion-Cause Pair Extraction in Conversations via Semantic Decoupling and Graph Alignment [8.345559401830291]
  ECPECは、感情の発話とその引き起こし原因の間の因果関係のセットを対話の中で特定することを目的としている。 我々は、感情指向のセマンティクスを原因指向のセマンティクスから切り離し、2つの相補的な表現空間にマッピングする。 本稿では,上記の意味的疎結合とアライメントの原理を共有会話構造内にインスタンス化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:48Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• UniME-V2: MLLM-as-a-Judge for Universal Multimodal Embedding Learning [101.62386137855704]
  本稿では,Universal Multimodal Embedding (UniME-V2)モデルを提案する。 提案手法はまず,グローバル検索による潜在的な負のセットを構築する。 次に、MLLMを用いてクエリ候補対のセマンティックアライメントを評価するMLLM-as-a-Judge機構を提案する。 これらのスコアは、ハード・ネガティブ・マイニングの基礎となり、偽陰性の影響を緩和し、多様な高品質なハード・ネガティブの識別を可能にする。
  論文  参考訳（メタデータ） (2025-10-15T13:07:00Z)
• Do Multimodal LLMs See Sentiment? [1.990154090209513]
  MLLM(Multimodal Large Language Models)の感情推論能力を検討するために,MLLMsentという独自のフレームワークを提案する。 最近確立されたベンチマークの実験は、我々の提案が、最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2025-08-23T02:11:46Z)
• Leveraging LLMs for Dialogue Quality Measurement [27.046917937460798]
  大規模言語モデル(LLM)は、NLPタスク全体で堅牢なゼロショットと少数ショットの機能を提供する。 モデルサイズ,文脈内例,選択手法などの操作要因を考察し,CoT推論とラベル抽出手法について検討する。 この結果から,適切な微調整と十分な推論能力を有するLCMを自動対話評価に活用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-25T06:19:47Z)
• Evaluating Generative Language Models in Information Extraction as Subjective Question Correction [49.729908337372436]
  本稿では,新しい評価手法SQC-Scoreを提案する。 主観的質問訂正の原則に着想を得て,新しい評価手法SQC-Scoreを提案する。 3つの情報抽出タスクの結果から,SQC-Scoreは基準値よりもアノテータの方が好ましいことが示された。
  論文  参考訳（メタデータ） (2024-04-04T15:36:53Z)
• Exploring the Factual Consistency in Dialogue Comprehension of Large Language Models [51.75805497456226]
  本研究は,対話要約タスクの助けを借りて,事実整合性の問題に焦点を当てる。 評価の結果,LLMが生成する要約の26.8%が事実整合性を含んでいることがわかった。 LLMの対話理解能力を高めるために,自動構築マルチタスクデータを用いた微調整パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-13T09:32:12Z)
• Sentiment Analysis through LLM Negotiations [58.67939611291001]
  感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。 本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-03T12:35:29Z)

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。