Pilot: IJCAI 2020 人机协商挑战赛的优胜者
本文提出了一种基于多视图图形变换器(MVGT)的方法,通过整合时域、频率域和空间域的信息(包括几何和解剖结构),并将电极的空间信息作为编码,从而全面提高模型的表达能力,与近年来的最新方法相比,在公开数据集上的实验结果证明了我们提出的模型的优越性,并且结果还表明 MVGT 能够有效地从多个领域中提取信息并捕捉 EEG 情感识别任务中的通道间关系。
Jul, 2024
这项研究在情感计算领域进行,旨在提高情绪识别领域多任务学习的效率和效果。研究探索了单任务解决方案和多任务方法,并通过修改输出层和损失函数,利用现有的神经网络架构进行多任务学习,研究结果对于情感计算领域具有潜在的应用价值。
Jun, 2024
通过生成对抗网络(GANs)创建情感计算的刺激数据集,探索了一种替代传统数据集准备方法的方案,包括使用不同的 GAN 架构、数据增强和迁移学习技术,在情感计算的领域中显示出有希望的生成情感激发性的合成图像,为未来的研究和改进提供了重要的潜力。
Jun, 2024
动物情感计算是一个快速发展的研究领域,目前关注于动物内部状态的自动追踪,如疼痛和情绪,动物的面部表情可以用来传达这些状态信息,本文基于狗的面部解剖标志物的方案,开发了一个包含 3274 张狗的图像的数据集,名为 DogFLW 数据集。
May, 2024
我们介绍了一个新颖的心理学基准测试 CPsyExam,该测试由来自中文考试的问题构成。CPsyExam 着重于将心理学知识和案例分析分开,认识到将心理学知识应用于实际场景的重要性。从 22k 个问题中选取 4k 个问题构成的基准测试,它涵盖了各种学科,结合了多样的案例分析技术。此外,我们评估了一系列现有的大型语言模型(LLMs),从开源到 API-based 模型不一而足。我们的实验和分析表明,CPsyExam 是提高 LLMs 对心理学理解的有效基准测试,同时可以比较各种粒度下的 LLMs。
May, 2024
通过建立大规模的多模态 vlog 数据集(LMVD),提出了一种名为 MDDformer 的新架构来学习个体的非语言行为,对 LMVD 数据集进行全面验证,证明了在抑郁症检测中表现出优越性能。
May, 2024
利用大型语言模型(LLMs),AI 代理已经能够完成许多人类任务。使用最经典的大五人格定义,我们衡量 LLMs 在博弈论框架内进行协商的能力,以及衡量公平与风险概念的方法论挑战。模拟结果(n=1,500)显示基于不对称议题价值的领域复杂性增加会提高协议达成率,但降低了激进协商的剩余价值。通过梯度提升回归和 Shapley 解释器,我们发现高度的开放性、责任心和神经质与公平倾向有关;低和谐性和低开放性与理性倾向有关。低责任心与高毒性有关。这些结果表明 LLMs 可能具有默认公平行为的内置防护措施,但可以被 “越狱” 以利用同意的对手。我们还提供了关于如何设计谈判机器人的实用见解,并提供了一种基于博弈论和计算社会科学评估谈判行为的框架。
May, 2024
通过使用选择性强数据增强 (SSA) 的对比学习框架,通过有限标记的步态数据获得更加有效的情感表示,从而提高步态情感识别的效果。
May, 2024
提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution(MDDD)的新型非深度转移学习方法,通过优化 Grassmann 流形空间,动态对齐源域和目标域,结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。
Apr, 2024
我们进行了一项关于设计能够在虚构但具有实际意义的在线相机销售任务中进行谈判的代理的质性经验研究,发现为了代理成功完成任务,人类 / 用户和代理需要在知识架构、自主性和代理性、操作性、培训、声誉启发式和伦理、人类参与等六个维度上达成一致。这些经验研究结果扩展了以往有关过程和规范对齐以及人工智能与人类交互中价值观和安全性需求的相关工作,并讨论了设计师在设想充满人类 - 代理协作的世界中的三个设计方向。
Apr, 2024