AI Information

ARR 202201-Review1 0 Abstract  ERC는 공감적인 human-computer 상호작용 시스템에 필수적이다. ERC서 기존의 방법들은 발화들에서 context-level과 speaker-level 정보를 캡쳐하느네 집중한다. 그러나, 이러한 방법들은 사람의 가정 변화의 이유를 간과하고 있어서, 감정 예측을 위한 유용한 정보 캡쳐에 불충분한 결과를 보여준다. 이 연구에서는, 우리는 두 개의 main 스테이즈들 기반으로한 설명적 감정 상호 네트워크 DialogueEIN을 소개하여 발화로부터 직접적으로 intra-와 inter-speaker 의존성에 대한 contextual information을 캡쳐한다. 그리고 대화속 현재 발화의 더 나은 이해를 향상시키기 위해 두 종류의 정보에 대한 차별적인 기여를 탐색하고 분석한다. 두 벤치마크에대한 실험적인 결과들은  효과성을 입증하고 우리의 제안한 모델의 뛰어남을 보여준다. 1 Introduction ERC는 다화자 대화에서 각 대화의 감정을 예측하는 목표를 가진다. 사람과 같은 AI 연구의 높은 인기와 함께, ERC의 주제는 점점더 연구자들로부터 관심을 받아왔다. 그래서, 정확히 ERC는 health care와 empathetic chat agents와 같은 다양한 필드에서 필수적인 스텝이다. vanilla 발화의 감정 인식과 달리, ERC는 발화의 internal 특성만 고려할 뿐 아니라, 더욱 중요하게, 대화속 발화의 contextual clues와 화자의 turns의 시간성 혹은 speaker-specific 정보가 중요하다. 그 결과로, ERC는 자연스러운 대화가 일반적으로 이진 대화에서 중요한 역할을 하는 여러 가지 다른 요인이나 화용론에 의해 지배되기 때문에 더 복잡하고 어렵습니다. 이러한 게획은 그림 1에서 설명되고, 이는 두 화자의 대화의 프로세스에서 사람의 감정의 원인을 밝혀낸다. 우리는 화자의 성격, 의도 등과 같은 이러한 요소가 독특한 상호 작용을 통해 참가자의 ...

Reference https://arxiv.org/pdf/2112.01938.pdf

◼ Comment 그 응답선택의 HCL과 상당히 비슷한 컨셉이다. 두 가지 커리큘럼 러닝을 제안하고, 이는 서로 보완적이다. conversation 관점과 utterance 관점이다. 즉 쉬운 대화세션부터, 거기서 쉬운 발화부터 학습하겠다는 의미이다. 쉬운 대화세션이란 감정이동 변화가 많은 세션을 의미하고 직관적이다. 발화 관점에서는, 감정 레이블이 혼란스러울수록 어려운 발화라고 한다. 발화는 발화간의 어려움 순서를 sorting하는 식으로 하는게 아니다. 이런 방식은 어렵다고 한다. 대신, 그림 2처럼 감정 레이블을 시간에 따라 바꾸는 것이다. 기존 레이블이 "기쁨"이면 "기쁨"이란 레이블을 one-hot encoding을 이용하지 않고, 다른 감정과의 유사성을 이용한다. 이 유사성은 그림 2처럼 reference에서 언급한 감정이 위치한 원에서 서로간의 각도를 이용하는 것이다. 그리고 시간이 지날수록 one-hot encoding을 점점 변화시켜가는 식이다. 그 결과 다른 모델에서 성능이 향상했는데, 생각보다 꽤 높다... ㄷㄷ 0 Abstract 대화 중 감정 인식(ERC)은 각 발화에 대한 감정 레이블을 감지하는 것을 목표로 합니다.  훈련 예제를 무작위로 고려하는 것보다 의미 있는 순서로 제공하는 것이 모델의 성능을 향상시킬 수 있음이 입증된 최근 연구에 동기를 부여하여 ERC 지향 하이브리드 커리큘럼 학습 프레임워크를 제안합니다.  우리의 프레임워크는 두 가지 커리큘럼으로 구성되어 있습니다: (1) conversation-level curriculum (CC); and (2) utterance-level curriculum (UC). CC에서는 대화 내 "감정 변화" 빈도를 기반으로 난이도 측정기를 구성한 다음 난이도 측정기에서 반환된 난이도 점수에 따라 "쉬움에서 어려움으로" 스키마로 대화를 예약합니다. UC의 경우 감정 유사성 관점에서 구현되어 혼란스러운 감정을 식별하는 모델...

◼ Comment 기타 다른 ERC 논문하고 사실 크게 다른 느낌은 없다. 단지, 현재 많이 나오는 외부지식을 활용하는 모델링은 아니다. 단지, 그래프로 모델링한 논문들은 future 발화를 활용하는 경우가 있는데, 여기서는 그렇지 않았다는 것이다. 일반적으로 과거 발화와 현재 발화들이 쭉 있을 때, 그래프화를 만든다고 생각해보자. 어떻게 그래프를 연결할 것인가? 가장 보편적으로 쓰이는 방법은, 같은 화자이냐 아니냐이다. 즉 여기서도 같은화자이면 node가 1이되고 아니면 0이되는 식이다. 근데, 그럼 이전의 모든 발화를 고려할 것인가? 이전의 연구들에서는 fixed number같은거를 사용했는데, 여기서는 조금 다르다. 즉 w라는 파라미터를 이용하는데, w=1은 현재 화자가 이전에 발화한 점이 시작점이 되는 것이다. w=2는 화자가 이전->이전 발화지점이 시작점이 되는 것이다. 즉 시작점 이후의 발화만 현재 발화에 연결되는 그래프를 구현한 것이다. 그래프 모델링은 DAG-ERC로 RNN과 GNN을 혼합한 형태라고 한다. 이러한 방법이 DAGNN인데, 이를 약갼 변형한 느낌이다. 식1,2,3부터 이후를 참고하길 바란다. 근데 살펴보면 그냥 일반 attention network 느낌인데... 아무튼 이렇게 모델링하면 성능이 좋다고 한다. 근데 이게 그렇게 좋은 성능 같지는 또 않는 느낌이다. 0 Abstract 대화형 context의 모델링은 ERC에서 감정 인식에서 중요한 역할을 한다. 이 논문에서, 우리는 directed acyclic graph (DAG)와 함께 utternace을 인코딩하는 새로운 아이디어를 적용해서 대화안에서 본질적인 구조를 더 잘 모델링하고 directed acyclic neural network (DAG-ERC)을 디자인한다. 전통적인 그래프 기반의 뉴럴 모델들과 RNN기반의 뉴럴 모델들의 강점을 결합하는 시도에서, DAG-ERC는 좀 더 직관적인 방법으로 긴 거리가 있는 대화 백그라운드와 가까운 컨텍스트간의 informatin...