HGLER:会話における多様式感情認識の強化のための階層的な異質なグラフネットワーク

科学分野:

• 人工知能
• 自然言語処理
• 機械学習

背景:

• 既存の感情認識モデルは 遠隔コンテキストとマルチモダルのデータ統合に 苦労しています
• 伝統的な方法は,様々なデータタイプを効果的に活用する代わりに,情報を混ぜ合わせるものです.

研究 の 目的:

• 感情認識のための階層グラフ学習 (HGLER) モデルを導入し,会話における感情認識を向上させる.
• 遠距離依存関係と多様式インタラクションを会話AIで捕捉する際の制限に対処する.

主な方法:

• HGLERは新しい二重グラフ構造を使用して,会話的関係と多式データ相互作用を表します.
• このモデルは,相互関係を示し,クロスモダルの学習を強化することによって,会話を処理します.
• IEMOCAPとMELDのデータセットで,標準的な事前処理とデータ分割技術を用いて実験を行った.

主要な成果:

• HGLERはベンチマークデータセットで高性能で,F1スコアは96.36%,IEMOCAPでは96.28%の精度を達成しました.
• MELDデータセットでは,HGLERは96.82%のF1スコアと93.68%の精度を得て,最先端の方法を上回りました.
• このモデルは,トレーニング中に強い収束性,一般化,および安定性を示しました.

結論:

• 階層的なグラフベースの学習は,マルチモダルの会話システムにおける感情的理解を大幅に高めます.
• HGLERモデルは,人間の感情を理解する会話AIの能力を向上させることを約束しています.
• モデルの安定性と一般化のさらなる改善は,検証損失の観測によって示唆されています.