May, 2023

对话情感识别的解缠变分自编码器

PDF
TL;DR本研究提出了一种基于 VAD-disentangled Variational AutoEncoder（VAD-VAE）的 ERC 模型，通过引入情感词汇表的 VAD 监督信号，最小化 VAD 分布之间的互信息来增强消解表示，并在两个数据集上优于现有模型。
emotion recognitionconversationscontextual informationvariational autoencoderdisentangled representations
发现论文，激发创造
  • 变分自编码器用于学习语音情感的潜在表示：初步研究

    该研究提出对于语音情感识别任务，在深度生成模型 VAE 的启发下，使用 VAEs 学习语音信号的潜在表征，并使用这种表征来分类情感，证明通过 VAEs 学习到的特征可产生情感分类的最佳结果。

    Dec, 2017

  • 用于推荐系统中偏好理解的因果分离变分自编码器

    本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

    Apr, 2023

  • VAW-GAN: 一种用于语音情感元素解耦和重组的方法

    本篇研究通过变分自编码 Wasserstein 生成对抗网络（VAW-GAN）研究情感音频的解耦和重组，提出一种基于 VAW-GAN 的发言者依赖型情感语音转换框架，包括两个 VAW-GAN 管道，一个用于频谱转换，另一个用于韵律转换，在客观和主观评估中验证了我们提出的方法的有效性。

    Nov, 2020

  • 变分自编码器的解缠学习在音视频语音增强中的应用

    本文提出了一种适用于变分自动编码器的对抗训练方案，用以将标签与变量区分开来，提高语音增强的性能。通过对比标签估计值和实际值，可以证明该方案的有效性。

    May, 2021

  • 高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

    本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

    Jul, 2022

  • 引导式变分自编码器用于分离式学习

    设计一种算法 Guided-VAE，通过提供信号来实现 VAE 的潜在编码 / 嵌入，以学习可控的生成模型，该算法在表示学习，合成 / 采样改进，分类中取得了更好的效果

    Apr, 2020

  • 使用全新情感语音数据集实现可见和不可见情感风格转换的声音转换技术

    本文提出了一种基于 VAW-GAN 框架的转换情感语音的方法，通过使用预训练的语音情感识别模型来传递情感样式，使网络能够将已知和未知的情感样式转移到新的话语中，从而实现了出色的性能，并发布了一个情感语音数据集。

    Oct, 2020

  • 基于因果发现的无监督领域自适应情感因果对提取

    本文提出了一个基于深度潜变量模型和变分自编码器（VAE）框架的新方法，用于在无监督域适应设置中提取情感 - 原因对。通过利用情感作为桥梁，将不同域中事件的分布联系起来，并采用变分后验正则化技术来降低源域中与事件相关的虚假相关性，从而促进跨域知识传递。通过广泛的实验证明，在中文和英文基准测试中，我们的模型的加权平均 F1 分数分别比最强基线提高了 11.05% 和 2.45%。源代码将在接受后公开提供。

    Jun, 2024

  • 可解释的句子表示：变分自编码器和注意力机制

    提出使用变分自编码器和 Transformers 构建两种具有归纳偏置的模型，可将潜在表示中的信息分离成可理解的概念，其中 QKVAE 在转移实验中表现出竞争性能，并展示了明显的优化句法角色分离能力。

    May, 2023

  • 提升变分个性化和移情对话代理的上下文连贯性

    通过引入 Uncertainty Aware CVAE 框架来近似和整合响应生成过程中的 aleatoric 不确定性，改善个性化和移情式对话生成中生成响应的上下文连贯性。同时，研究者们提出了一种新的自动度量方法来衡量生成响应的上下文连贯性，并且该度量与人类的判断显著相关。

    Feb, 2022