論文の概要: EmotiQ: A Quantum Residual Specialist Framework for Text Emotion Classification

• arxiv url: http://arxiv.org/abs/2610.25549v1
• Date: Sun, 18 Oct 2026 21:43:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:28:15.101647
• Title: EmotiQ: A Quantum Residual Specialist Framework for Text Emotion Classification
• Title（参考訳）: EmotiQ: テキスト感情分類のための量子残留性スペシャリストフレームワーク
• Abstract要約: EmotiQは、テキスト感情分類のための残留的なスペシャリストフレームワークである。 EmotiQは、テキスト感情分類のための残留的な特殊フレームワークである。 6つのテキスト感情分類データセットにまたがるフレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License:
• Abstract: Emotion classification from text is challenging because many affective states are distinguished by subtle linguistic signals and semantically overlapping boundaries. We investigate whether compact quantum modules can serve as targeted residual specialists that assist traditional classifiers on difficult emotion decisions. We introduce EmotiQ, a residual specialist framework for text emotion classification using a frozen transformer classifier as the primary decision maker, identifies challenging emotion boundaries from validation behavior, and trains boundary specialists, including quantum encodings, data re-uploading specialists, prototype and fidelity specialists, and kernel-based specialists. Specialists are permitted to intervene only when they satisfy validation-based admission criteria. We evaluate the framework across six text emotion classification datasets and establish traditional model baselines. Experimental results show that the admitted EmotiQ policy improves mean macro-F1 metrics over the baseline, and achieves positive gains on five of six datasets. Among the quantum components, ZZ interaction feature maps are the most consistently effective, yielding a mean macro-F1 improvement of +0.0030 and positive gains on four datasets. These findings suggest that current quantum NLP methods can be deployed as residual specialists that provide localized improvements under strong classical supervision.
• Abstract（参考訳）: 多くの感情状態は、微妙な言語信号と意味的に重なる境界によって区別されるため、テキストからの感情分類は困難である。 我々は,コンパクトな量子モジュールが,難解な感情決定において従来の分類器を補助する,標的となる残留スペシャリストとして機能するかどうかを検討する。 EmotiQは、フリーズトランスフォーマー分類器を主要因とするテキスト感情分類のための残留的なフレームワークであり、検証行動から困難な感情境界を識別し、量子符号化、データ再アップロードスペシャリスト、プロトタイプおよびフィデリティスペシャリスト、カーネルベースのスペシャリストを含む列車境界スペシャリストを紹介する。 スペシャリストは、バリデーションベースの受け入れ基準を満たす場合にのみ介入を許される。 6つのテキスト感情分類データセットにまたがるフレームワークを評価し,従来のモデルベースラインを確立する。 実験結果から,EmotiQポリシは平均マクロF1メトリクスをベースライン上で改善し,6つのデータセットのうち5つに対して肯定的な利得が得られることがわかった。 量子成分のうち、ZZ相互作用特徴写像は最も一貫して有効であり、平均マクロF1の改善は+0.0030となり、4つのデータセットで正の利得が得られる。 これらの結果から,現在の量子NLP法は古典的強い監督の下で局所的な改善を提供する残留スペシャリストとして展開可能であることが示唆された。

関連論文リスト

• From Sharp Eyes to Expert Mind: Internalizing Expert Knowledge in MLLMs for Tampered Text Detection [62.709778159272474]
  Expert Knowledge Internalization (EKI)は、法医学の専門知識をMLLM(Multimodal Large Language Models)に伝達する2段階のフレームワークである。 EKIは、既存のエキスパートモデルベースやMLLMベースの手法よりも最先端の性能と強力な一般化を実現している。
  論文  参考訳（メタデータ） (2026-09-28T19:20:22Z)
• 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)
• Bridging Expert Knowledge and Automated Feature Engineering via Self-Evolution [35.18494473127365]
  本稿では,FEST (Feature Engineering with Self-evolving Trees) について述べる。 FESTは、厳密なセマンティックアライメントしきい値において、専門家が設計したブランド機能の60～80%のカバレッジを達成している。 自動機能エンジニアリングにおけるエキスパートアライメントの体系的評価を可能にするために,2,683ブランドで1M以上のアセットを備えた,最初のデータセットペアリング専門家設計機能であるBrandGuideをリリースした。
  論文  参考訳（メタデータ） (2026-06-07T19:39:03Z)
• DBES: A Systematic Benchmark and Metric Suite for Evaluating Expert Specialization in Large-Scale MoEs [4.089532981955943]
  Mixture-of-Experts(MoE)モデルのエキスパートスペシャライゼーションはいまだに理解されていない。 我々は、マルチドメインベンチマークと5つの理論的根拠を持つメトリクスを組み合わせた総合的な診断フレームワークDBESを紹介する。 この研究は、精度の指標とは無関係に専門家の専門性を評価するための最初の体系的な方法論を提供する。
  論文  参考訳（メタデータ） (2026-05-18T14:50:30Z)
• Geometric Routing Enables Causal Expert Control in Mixture of Experts [0.0]
  専門家のアイデンティティは因果的に意味があることを示します。 15%のエキスパートは10のカテゴリにまたがる単統的なスペシャリストである。 エキスパートレベルの特殊化は、第一級の解釈可能性プリミティブである。
  論文  参考訳（メタデータ） (2026-04-15T21:24:42Z)
• Automated Benchmark Generation from Domain Guidelines Informed by Bloom's Taxonomy [28.293009223912602]
  オープンエンド質問応答(英語: Open-ended Question answering, QA)は、モデルが事実的リコールを超えた文脈的推論を行う能力を評価する。 この課題は、知識が手続き的であり、専門的な判断が下されている、実践ベースの領域で特に深刻である。 ブルームの分類学から得られた専門家認可ガイドラインから自動ベンチマーク生成のためのフレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-01-28T05:01:11Z)
• Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
  既存のベンチマークは、主に質問レベルで質問をキュレートする。 ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
  論文  参考訳（メタデータ） (2025-12-31T13:55:54Z)
• Convergence Rates for Softmax Gating Mixture of Experts [78.3687645289918]
  機械学習モデルの効率性とスケーラビリティを向上するための効果的なフレームワークとして、Mixture of Expert (MoE)が登場した。 MoEの成功の中心は、適応的なソフトマックスゲーティングメカニズムであり、各専門家の入力に対する関連性を決定する責任を負い、それぞれの重みを動的に専門家に割り当てる。 標準ソフトマックスゲーティングまたはその変種を備えたMoEの下で,パラメータ推定と専門家推定の収束解析を行い,密度とスパースゲーティングと階層ソフトマックスゲーティングを含む。
  論文  参考訳（メタデータ） (2025-03-05T06:11:24Z)
• 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)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)

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。