Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Comment récupérer des exemples dans l'apprentissage en contexte pour améliorer la reconnaissance des émotions conversationnelles à l'aide de grands modèles linguistiques ?

Created by
  • Haebom

Auteur

Mengqi Wang, Tiantian Feng, Shrikanth Narayanan

Contour

Cet article étudie comment améliorer la reconnaissance des émotions conversationnelles (CER) à l'aide de modèles linguistiques à grande échelle (LLM). Nous proposons notamment différentes stratégies pour récupérer des exemples de haute qualité en apprentissage contextuel (ICL) (récupération d'exemples aléatoire et augmentée), et analysons l'effet du contexte conversationnel sur la précision de la CER. Les résultats expérimentaux obtenus à partir de trois jeux de données, IEMOCAP, MELD et EmoryNLP, montrent que la récupération d'exemples augmentée surpasse systématiquement les autres techniques, soulignant l'importance d'une récupération cohérente des exemples cibles et de leur amélioration par la paraphrase.

Takeaways, Limitations_

•
Takeaways:
◦
Nous démontrons empiriquement que la récupération d’exemples augmentée dans l’apprentissage basé sur le contexte est efficace pour améliorer les performances de reconnaissance des émotions conversationnelles.
◦
Présente l’importance d’exemples d’objectifs cohérents et l’efficacité de l’amélioration des exemples par la paraphrase.
◦
Généralisabilité accrue des résultats grâce à des expériences sur divers ensembles de données (IEMOCAP, MELD, EmoryNLP).
•
Limitations:
◦
L'étude s'est limitée à un type spécifique de stratégie de recherche d'exemples. Des recherches complémentaires sur d'autres types de stratégies pourraient être nécessaires.
◦
Les résultats peuvent ne pas être généralisables selon les caractéristiques de l'ensemble de données utilisé. Des recherches complémentaires utilisant des ensembles de données plus diversifiés et plus vastes sont nécessaires.
◦
Il peut y avoir un manque d'explication détaillée des détails et des limites spécifiques de la manière dont les exemples augmentés sont générés.
👍
Made with Slashpage