Fugu-MT 論文翻訳(概要): Emotion Experience, Expression, and Perception: Emotion Analysis on Multimodal Social Media Posts

論文の概要: Emotion Experience, Expression, and Perception: Emotion Analysis on Multimodal Social Media Posts

arxiv url: http://arxiv.org/abs/2609.18385v1
Date: Wed, 16 Sep 2026 09:39:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.739091
Title: Emotion Experience, Expression, and Perception: Emotion Analysis on Multimodal Social Media Posts
Title（参考訳）: 感情体験・表現・知覚:マルチモーダルソーシャルメディア投稿における感情分析
Abstract要約: 著者がソーシャルメディア投稿を投稿した原因となった出来事について,著者の経験と投稿内容との関係について検討した。マルチモーダルマルチ感情モデルデータセットMult2EMoを紹介する。再構築は可能であるが、人間読者と計算モデルの両方にとって困難である。
参考スコア（独自算出の注目度）: 12.799324702860703
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Emotions are an essential aspect of human communication, particularly on social media, where authors frequently combine text and images to convey their emotions. Yet prior work on emotion analysis of social media posts has overlooked two important aspects in regard to measuring how well readers can reconstruct the authors' intent: (1)~the image modality, with most work focusing solely on text, and (2)~the real-world events that trigger the expressed emotions, and their relationship to the post content. We therefore study the relation between (a) the author's experience of the event that caused them to write a social media post and (b) the content of the post, with a focus on readers' capability to reconstruct that emotion expression. To do that, we introduce the Multimodal Multi-Emotion-Model dataset Mult2EMo, created by collecting annotations from both authors and readers on the posts and their triggering events. We find that reconstruction is possible but challenging for both human readers and computational models. We show that understanding the triggering event is crucial for accurate reconstruction, and that reconstruction is particularly challenging when posts rely heavily on the image to express emotion.
Abstract（参考訳）: 感情は人間のコミュニケーションの重要な側面であり、特にソーシャルメディアでは、著者が感情を伝えるためにテキストとイメージを頻繁に組み合わせている。しかし、ソーシャルメディア投稿の感情分析に関する以前の研究は、読者が著者の意図をいかに再構築できるかを測る上で2つの重要な側面を見落としている。したがって、我々はその関係について研究する。 (a)ソーシャルメディアの投稿を投稿させた事件の作者の経験 (b)その感情表現を再構築する読者の能力に着目した投稿の内容。そこで本稿では,著者と読者の両方が投稿やトリガーイベントについてアノテーションを収集して作成したマルチモーダルマルチ感情モデルデータセットMult2EMoを紹介する。再構築は可能であるが、人間読者と計算モデルの両方にとって困難である。我々は、トリガーイベントの理解が正確な再構築に不可欠であることを示し、投稿が感情を表現するためにイメージに大きく依存している場合、特に再構成は困難であることを示す。

関連論文リスト

PERCEIVE: A Benchmark for Personalized Emotion and Communication Behavior Understanding on Social Media [12.727513169450503]
PERCEIVEはソーシャルメディアにおける社会的知覚分析の新しいベンチマークである。著者が作成したコンテンツ、真の読者の感情的なフィードバック、コミュニケーション行動、ユーザー属性、ソーシャルグラフの5つの重要な側面を統合するのは、これが初めてである。 PerCEIVEは、社会的文脈に根ざした感情と行動の本質的な結合をモデル化するためのユニークなリソースを提供する。
論文参考訳（メタデータ） (2026-04-10T09:35:56Z)
Affective Image Editing: Shaping Emotional Factors via Text Descriptions [46.13506671212571]
AIEdiT for Affective Image Editing using Text descriptions。我々は、連続的な感情スペクトルを構築し、ニュアンスな感情的要求を抽出する。 AIEdiTは、ユーザの感情的な要求を効果的に反映して、優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-05-24T13:46:57Z)
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)
EmotiCrafter: Text-to-Emotional-Image Generation based on Valence-Arousal Model [23.26111054485357]
連続感情画像コンテンツ生成(C-EICG)の新たな課題について紹介する。本稿では,テキストプロンプトとValence-Arousal値に基づいて画像を生成する感情画像生成モデルであるEmotiCrafterを提案する。
論文参考訳（メタデータ） (2025-01-10T04:41:37Z)
Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
論文参考訳（メタデータ） (2023-12-19T08:47:50Z)
Why Do You Feel This Way? Summarizing Triggers of Emotions in Social Media Posts [61.723046082145416]
CovidET (Emotions and their Triggers during Covid-19)は、COVID-19に関連する英国のReddit投稿1,900件のデータセットである。我々は、感情を共同で検出し、感情のトリガーを要約する強力なベースラインを開発する。分析の結果,コビデットは感情特異的要約における新たな課題と,長文のソーシャルメディア投稿におけるマルチ感情検出の課題が示唆された。
論文参考訳（メタデータ） (2022-10-22T19:10:26Z)
On the Complementarity of Images and Text for the Expression of Emotions in Social Media [12.616197765581864]
我々は、画像とテキストの関係を自動的に検出するモデル、感情刺激カテゴリー、感情クラスを開発する。これらのタスクがモダリティと画像-テキスト関係の両方を必要とするかどうかを評価するが、ほとんどのカテゴリではテキストだけで十分である。怒りと悲しみの感情はマルチモーダルモデルで最もよく予測されるが、テキストだけでは嫌悪感、喜び、驚きに十分である。
論文参考訳（メタデータ） (2022-02-11T12:33:53Z)
Uncovering the Limits of Text-based Emotion Detection [0.0]
感情分類のための最大のコーパスは、GoEmotions、読者によってラベル付けされた58Kメッセージ、Vent、ライターがラベル付けされた33Mメッセージである。我々はベンチマークを設計し、BERT上に2つのシンプルな新しいモデルを含むいくつかの特徴空間と学習アルゴリズムを評価する。
論文参考訳（メタデータ） (2021-09-04T16:40:06Z)
Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
論文参考訳（メタデータ） (2021-08-18T21:55:20Z)
Affective Image Content Analysis: Two Decades Review and New Perspectives [132.889649256384]
我々は,過去20年間の情緒的イメージコンテンツ分析(AICA)の発展を包括的にレビューする。我々は、感情的ギャップ、知覚主観性、ラベルノイズと欠如という3つの主要な課題に関して、最先端の手法に焦点を当てる。画像の内容やコンテキスト理解,グループ感情クラスタリング,ビューアーとイメージのインタラクションなど,今後の課題や研究の方向性について論じる。
論文参考訳（メタデータ） (2021-06-30T15:20:56Z)

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。