論文の概要: Mixed Feelings, Single Polarity

• arxiv url: http://arxiv.org/abs/2610.15977v1
• Date: Sun, 11 Oct 2026 23:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 08:13:16.091751
• Title: Mixed Feelings, Single Polarity
• Title（参考訳）: 混合フィーリング, 単一極性
• Abstract要約: 私たちは、SemEval-2018 Affect in Tweets (英語、アラビア語、スペイン語)、Affective Text with EmoBank、生のGoEmotionsアノテーション、自然主義的なハッシュタグコーパス、そしてコントロールされたアノテーション研究をテストする。 ラベルではなくラベルの設定を投影し、ラベルが矛盾する混成クラスを廃止または維持し、正確さとともにカバレッジを報告することを推奨します。
• 参考スコア（独自算出の注目度）: 0.4941630596191806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion datasets are routinely mapped onto positive and negative valence, by assigning each emotion category one polarity. We test where this works and where it fails, using SemEval-2018 Affect in Tweets (English, Arabic, Spanish), Affective Text aligned with EmoBank, raw GoEmotions annotations, naturalistic hashtag corpora, and a controlled annotation study. Fixed projection works well when a text carries labels of one valence. It fails on a subset identifiable from the labels alone: tweets whose emotion labels point in opposite directions. These are 9.0% of polar SemEval test tweets but cause 54.8% of the polarity errors of a learned projection, are more than twice as likely to receive a neutral-or-mixed gold label, and are not rescued by modeling the full label set. Annotators produce such configurations routinely: 16.3% of multilabel GoEmotions judgments combine emotions from the dataset's own positive and negative parents. In a controlled study holding word and reader constant, context changes the coarse valence judgment in 56.8% of cases, against 19.9% for controls. We recommend projecting label configurations rather than labels, abstaining or keeping a mixed class where labels conflict, and reporting coverage alongside accuracy.
• Abstract（参考訳）: 感情データセットは、各感情カテゴリを1つの極性に割り当てることで、正および負の原子価に定期的にマッピングされる。 私たちは、SemEval-2018 Affect in Tweets(英語、アラビア語、スペイン語)、Affective Text with EmoBank、生のGoEmotionsアノテーション、自然主義的なハッシュタグコーパス、そしてコントロールされたアノテーション研究を使って、それがどこで機能するかをテストする。 テキストが1つの原子価のラベルを運ぶとき、固定プロジェクションはうまく機能する。 ラベルだけで識別できるサブセットで失敗する: 感情ラベルが反対方向を指しているツイート。 これらは極性セムエステストの9.0%であるが、学習された投射の極性誤差の54.8%の原因であり、中性または混合された金のラベルを受け取った確率の2倍以上であり、完全なラベルセットをモデル化することによって救われることはない。 16.3%のマルチラベルGoEmotions判断は、データセット自身の肯定的、否定的な両親からの感情を組み合わせている。 単語と読み手の定数を保持する制御された研究において、コンテキストは56.8%のケースで粗値判定を19.9%のコントロールで変更する。 ラベルではなくラベルの設定を投影し、ラベルが矛盾する混成クラスを廃止または維持し、正確さとともにカバレッジを報告することを推奨します。

関連論文リスト

• Fear Is Not Always Fear: Variation in Emotion Label Equivalence Across Datasets [0.042970700836450486]
  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。
  論文  参考訳（メタデータ） (2026-10-09T00:55:54Z)
• 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)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• Pushing One Pair of Labels Apart Each Time in Multi-Label Learning: From Single Positive to Full Labels [29.11589378265006]
  MLL(Multi-Label Learning)では、高価なコストと限られた知識のために、出現するすべてのオブジェクトを正確にアノテートすることが極めて困難である。 既存のマルチラベル学習手法は未知のラベルを負とみなし、偽の負をノイズラベルとして導入する。 SPMLL(Single Positive Multi-Label Learning)では,サンプル毎に1つの正のラベルを提供する必要がある。
  論文  参考訳（メタデータ） (2023-02-28T16:08:12Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• 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)
• GRACE: Gradient Harmonized and Cascaded Labeling for Aspect-based Sentiment Analysis [90.43089622630258]
  本稿では、これらの問題を解決するために、GRACE(GRadient hArmonized and CascadEd labeling model)を提案する。 提案モデルでは,複数のベンチマークデータセットの整合性向上を実現し,最先端の結果を生成する。
  論文  参考訳（メタデータ） (2020-09-22T13:55:34Z)
• Modeling Label Semantics for Predicting Emotional Reactions [21.388457946558976]
  イベントがストーリーのキャラクターの感情をいかに引き起こすかを予測することは、通常、標準的なマルチラベル分類タスクと見なされる。 感情ラベルのセマンティクスは、入力ストーリーを表現する際のモデルの注意を導くことができる。 ラベル埋め込みを通じてラベルクラスを明示的にモデル化し、トレーニング中と推論時にラベルとラベルの相関を追跡するメカニズムを追加します。
  論文  参考訳（メタデータ） (2020-06-09T20:04:02Z)

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。