論文の概要: Emo-Jev: Probabilistic Reasoning for Emotion Classification with Jev
- arxiv url: http://arxiv.org/abs/2610.08829v1
- Date: Sun, 27 Sep 2026 01:35:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 16:33:44.547717
- Title: Emo-Jev: Probabilistic Reasoning for Emotion Classification with Jev
- Title（参考訳）: Emo-Jev:Jevを用いた感情分類のための確率論的推論
- Abstract要約: Emo-Jevは2つの補完的な実装を備えたトレーニング不要のフレームワークである。
Emo-Jevはタスク固有の原子判断に分類を分解し、その確率を最終的な予測に分解する。
Standard Jevは平均マクロF1を62.93%、最強のLCMベースラインを67.28%で達成し、観測レイテンシが低く、一般的に低コストである。
- 参考スコア（独自算出の注目度）: 5.757221318813801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Jev offers an alternative interface for language understanding: given an input and predefined questions, it returns probabilistic decisions rather than free-form responses. Whether this interface can support effective reasoning for text classification against leading LLMs remains an open questions. We introduce Emo-Jev, a training-free framework with two complementary implementations. Emo-Jev-D decomposes classification into task-specific atomic judgments and composes their probabilities into a final prediction. Emo-Jev-SC constructs multiple judgment paths from complementary perspectives and aggregates their predictions into a consensus decision. We evaluate Emo-Jev on eight datasets spanning sentiment analysis, emotion recognition, sarcasm detection and humor detection, comparing against direct Jev classification and five SoTA LLMs under input/output and chain-of-thought reasoning. Standard Jev achieves 62.93\% average macro-F1 versus 67.28\% for the strongest LLM baseline, with lower observed latency and generally lower cost.
- Abstract（参考訳）: 入力と事前定義された質問が与えられたら、自由形式の応答よりも確率的な決定を返す。
このインターフェースが、主要なLCMに対するテキスト分類の効果的な推論をサポートできるかどうかは、未解決の問題である。
Emo-Jevは2つの補完的な実装を備えたトレーニング不要のフレームワークである。
Emo-Jev-Dはタスク固有の原子判断に分類を分解し、その確率を最終的な予測に分解する。
Emo-Jev-SCは相補的な視点から複数の判断経路を構築し、それらの予測をコンセンサス決定に集約する。
本研究では,感情分析,感情認識,皮肉検出,ユーモア検出を対象とする8つのデータセットを用いてEmo-Jevの評価を行った。
Standard Jevは、最強のLCMベースラインでは62.93\%のマクロF1、67.28\%のマクロF1を達成する。
関連論文リスト
- Can Decision Models Understand Stance? Evaluating Jev Against General-Purpose LLMs [33.1144990003958]
Jevは、構造化された意思決定のために設計された、特別な決定モデルである。
我々は、VAST(英語テキスト)とZS-CSD(中国語会話)の2つのスタンス検出データセット上でJevを評価する。
論文 参考訳（メタデータ） (2026-10-08T13:05:52Z) - Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [67.12965225696523]
RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
論文 参考訳（メタデータ） (2026-10-04T14:48:54Z) - EmoS: A Theory-Grounded Framework for Evaluating and Aligning Emotional Intelligence in Spoken Language Models [66.28519000191191]
EmoSBenchは、Spoken Language Modelsの最初の包括的なEI評価ベンチマークである。
EmoSは83.8%の精度に達し、人間レベルのパフォーマンスに近づいている。
論文 参考訳（メタデータ） (2026-08-10T06:58:30Z) - Style over Substance: A Shortcut Audit of Emotion-Description Preference Evaluation [18.639828982880108]
コンテントブレンドプローブを用いてEmoPreferの系統的ショートカット監査を行う。
記述長とジェネレータの同一性のみを用いた単純なロジスティック回帰は、LoRAに精細化された7Bテキストとオーディオ視覚的判断に相容れない。
結果は、人間の嗜好が本質的にスタイリスティックであることや、記述に感情的な情報がないことを示唆していない。
論文 参考訳（メタデータ） (2026-07-20T21:05:08Z) - Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality? [74.69723255239663]
グラウンドド・パーソナリティ・推論は、MLLMがそれぞれのビッグファイブ・格付けを、評価、推論、根拠の連鎖を通じて観察可能な証拠に固定することを要求する。
MM-OCEANは、人間の検証によるマルチエージェントパイプラインによって生成され、タイムスタンプによる行動観察、エビデンスに基づく特性分析、およびキューグラウンドMCQの7つのカテゴリがある。
この分析では、フィールド全体にわたって、正しい評価の51%が取得された手がかりに基づかず、ホリスティック・ギャラリング・レートは0-33.5%にしか達していないという顕著な偏見のギャップが明らかになった。
論文 参考訳（メタデータ） (2026-05-21T07:42:47Z) - RankJudge: A Multi-Turn LLM-as-a-Judge Synthetic Benchmark Generator [16.137474142159277]
RankJudgeは、参照文書に基づいたマルチターン会話に対してLSM-as-a-judgeを評価するためのベンチマークジェネレータである。
機械学習、バイオメディシン、ファイナンスの各分野にRangeJudgeを実装し、21人のフロンティアLSM審査員を評価し、Bradley-Terryモデルを介して審査員をランク付けする。
論文 参考訳（メタデータ） (2026-05-20T21:20:01Z) - SparkMe: Adaptive Semi-Structured Interviewing for Qualitative Insight Discovery [55.50580661343875]
本稿では,対話のロールアウトをシミュレートして検討計画を実行するマルチエージェントインタビュアーSparkMeを紹介する。
LLMベースの面接者による制御実験を通じてSparkMeを評価し,より高い面接性を実現することを示す。
7つの専門職の70人の参加者が、AIが専門職に与える影響について、SparkMeをユーザスタディで検証しています。
論文 参考訳（メタデータ） (2026-02-24T17:33:02Z) - Rethinking Human-Object Interaction Evaluation for both Vision-Language Models and HOI-Specific Methods [33.074167753966314]
本稿では,HOI検出を複数問合せタスクとして再構成するベンチマークデータセットを提案する。
以上の結果から,多くの指標において,大規模VLMが最先端のHOI固有の手法をすでに超越していることが示唆された。
論文 参考訳（メタデータ） (2025-08-26T07:30:53Z) - MinosEval: Distinguishing Factoid and Non-Factoid for Tailored Open-Ended QA Evaluation with LLMs [15.278241998033822]
大規模言語モデル(LLM)の能力を評価する上で,QA(Open-ended Question answering)が重要な課題である。
オープンな質問をまず識別し,候補回答をランク付けする新しい評価手法である textbfMinosEval を提案する。
論文 参考訳（メタデータ） (2025-06-18T07:49:13Z) - Right Answer, Wrong Score: Uncovering the Inconsistencies of LLM Evaluation in Multiple-Choice Question Answering [78.89231943329885]
大規模言語モデル(LLM)の評価には,MCQA(Multiple-Choice Question Answering)が広く用いられている。
報告されたLCMの性能には,複数の要因が大きな影響を及ぼす可能性が示唆された。
既存の回答抽出手法が人間の判断と一致しているかどうかを解析する。
論文 参考訳（メタデータ） (2025-03-19T08:45:03Z) - 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。