論文の概要: Fear Is Not Always Fear: Variation in Emotion Label Equivalence Across Datasets

• arxiv url: http://arxiv.org/abs/2610.12841v1
• Date: Fri, 09 Oct 2026 00:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.33225
• Title: Fear Is Not Always Fear: Variation in Emotion Label Equivalence Across Datasets
• Title（参考訳）: Fearは必ずしも恐怖ではない: データセット全体での感情ラベルの等価性の変化
• Abstract要約: 私たちは、恐怖や驚きといった同名のラベルがリソース全体にわたって同じことを意味しているという仮定をテストします。 同じテキストでは、ある恐れの分類器は71%が恐怖、もう1つの8%が恐怖と宣言するが、両者はテキストのランクについてほぼ一致している。 共有感情ラベル名は、交換可能な測定対象を確立しない。
• 参考スコア（独自算出の注目度）: 0.042970700836450486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion classifiers are routinely applied beyond their training data, on the assumption that same-named labels such as fear or surprise mean the same thing across resources. We test this assumption for five labels shared by GoEmotions, XED, and BRIGHTER, comparing models on identical inputs and under cross-corpus transfer. On the same texts, one fear classifier flags 71% as fearful and another 8%, yet the two largely agree on how the texts rank. Across 30 resource-label comparisons, training-label prevalence explains about half of this kind of scale mismatch, and a fitted intercept removes most of it. What recalibration cannot repair is larger: transferred models lose 55% of native discrimination in aggregate, agreement in ranking between classifiers is only weakly related to that loss, and for surprise the resources disagree about which texts express the emotion. The choice of training resource can therefore change conclusions: on two external tweet collections, BRIGHTER- and XED-trained classifiers give opposite answers about which shows more surprise, even after rank normalization, with intervals excluding zero in both directions. A shared emotion label name does not establish an interchangeable measurement target.
• Abstract（参考訳）: 感情分類器は、恐怖や驚きといった同名のラベルがリソース全体にわたって同じことを意味していると仮定して、トレーニングデータを超えて定期的に適用される。 この仮定は、GoEmotions、XED、BRIGHTERが共有する5つのラベルに対して、同一入力のモデルとクロスコーパス転送のモデルを比較して検証する。 同じテキストでは、ある恐れの分類器は71%が恐怖、もう1つの8%が恐怖と宣言するが、両者はテキストのランクについてほぼ一致している。 30回にわたるリソースラベル比較の結果、トレーニングラベルの精度は、この種のスケールミスマッチの約半分を説明できる。 トランスファーモデルでは、アグリゲーションにおけるネイティブ差別の55%が失われ、分類器間のランク付けにおける合意は、その損失と弱い関係しかなく、驚いたことに、どのテキストが感情を表現するかについてリソースは意見が一致しない。 BRIGHTER-とXED-trainedの2つの外部ツイートコレクションでは、ランクの正規化後も、両方の方向でゼロを除いた間隔で、逆の回答が得られます。 共有感情ラベル名は、交換可能な測定対象を確立しない。

関連論文リスト

• Semi-Supervised Learning with Balanced Deep Representation Distributions [18.02420981397051]
  バランスの取れた深層表現分布(S2TC-BDD)を用いた半教師付きテキスト分類法を提案する。 我々はS2TC-BDDのマルチクラス分類版とマルチラベル分類版の両方を実装し、擬似ラベルのトリックや正規化用語を導入している。 実験の結果,特にラベル付きテキストが不足している場合,S2 TC-BDDの有効性が示された。
  論文  参考訳（メタデータ） (2026-03-22T04:46:58Z)
• Handling Ambiguity in Emotion: From Out-of-Domain Detection to Distribution Estimation [45.53789836426869]
  感情に対する主観的な認識は、人間の注釈からの矛盾したラベルにつながる。 本稿では,あいまいな感情を扱う3つの方法について検討する。 分類器にラベルを付けない発話を付加クラスとして組み込むことで、他の感情クラスの分類性能が低下することを示す。 また,明快な深層学習を用いた感情分類における不確実性を定量化することにより,不明瞭な感情を伴う発話を領域外サンプルとして検出することを提案する。
  論文  参考訳（メタデータ） (2024-02-20T09:53:38Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• None Class Ranking Loss for Document-Level Relation Extraction [22.173080823450498]
  文書レベルの関係抽出(RE)は、複数の文にまたがって表現されるエンティティ間の関係を抽出することを目的としている。 典型的な文書では、ほとんどのエンティティペアは事前定義された関係を表現せず、"noone"あるいは"no relation"とラベル付けされている。
  論文  参考訳（メタデータ） (2022-05-01T14:24:37Z)
• Estimating the Uncertainty in Emotion Class Labels with Utterance-Specific Dirichlet Priors [24.365876333182207]
  本稿では,発話ごとのディリクレの事前分布に基づく新たな訓練損失を提案する。 ラベル付けの不確かさの高い試験発話を検出することで、さらなる測定値を用いて性能を評価する。 広く使われているIEMOCAPデータセットによる実験は、2分岐構造が最先端の分類結果を達成することを示した。
  論文  参考訳（メタデータ） (2022-03-08T23:30:01Z)
• Label Distribution Amendment with Emotional Semantic Correlations for Facial Expression Recognition [69.18918567657757]
  意味空間における表現間の相関を利用して,各顔画像のラベル分布を補正する手法を提案する。 各画像のセマンティックグラフとタスククラス関連グラフを比較することにより、そのラベル分布の信頼性を評価する。 実験により,提案手法は最先端手法と比較した場合よりも有効であることが示された。
  論文  参考訳（メタデータ） (2021-07-23T07:46:14Z)
• A Theory-Driven Self-Labeling Refinement Method for Contrastive Representation Learning [111.05365744744437]
  教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。 本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。 この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
  論文  参考訳（メタデータ） (2021-06-28T14:24:52Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)

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。