本论文针对情感分析的各个领域进行了研究,提出了基于神经网络的多任务学习方法,该方法有效地应用于Aff-Wild情感数据库的新注释部分并实现了良好的性能。
Nov, 2018
该研究探索了如何采用连续情感表述来控制自动表情编辑,通过深度生成模型,根据具有两个维度的连续情感标签对面部图像中的面部表情进行操作,并通过定量和定性分析展示了模型的功能。
Jun, 2020
本文综述了如何利用生成模型解决神经生理信号情感识别问题的挑战,进而提高情感识别系统的效率和可靠性。
Jun, 2023
综合研究了大语言模型在情感识别中的性能,包括上下文学习、少样本学习、准确性、泛化能力和解释性,并提供了一些见解和潜在挑战,以促进情感识别在新的先进和广义大模型时代的发展。
Aug, 2023
情感识别是一个复杂的任务,本论文通过多角度研究数据集、标签、建模、人口统计学和成员变量编码以及评估等方面的挑战,推进了强健、实用的情感识别模型的发展。
Sep, 2023
该研究探讨了CNN模型识别和分类人类面部表情(积极、中立、消极)的能力,通过对芝加哥人脸数据库的预处理数据进行训练,模型在10,000张图像上达到75%的准确率,表明实现准确分析人类情感以及实用情感人工智能的可能性。
Oct, 2023
我们通过情感学习来改进预训练语言模型(PLMs)生成的合成文本,实验结果表明我们的情感感知检测器在各种大小模型、数据集和领域中均取得了显著的提升,从而加强了情感作为识别合成文本的信号的潜力。
该研究通过将心理学理论纳入生成型AI模型中,提出了利用EmotionPrompt增强模型性能、EmotionAttack削弱模型性能以及EmotionDecode解释情绪刺激效果的三种方法,实验证明EmotionPrompt能提升模型性能,EmotionAttack能阻碍模型表现,并揭示了AI模型可以类似于人类大脑中的多巴胺机制理解情绪刺激。此研究为通过心理学探索提升我们对生成型AI模型的理解打开了新途径。
Dec, 2023
人工智能与生成式人工智能的应用领域,特别是语言生成与伦理考虑的最新研究成果与未来发展轨迹的综合分析。
May, 2024
生成型AI系统的情感表达能力对于AI系统的有效性至关重要,特别是那些旨在支持人类心理健康的系统。本研究旨在通过设计一项调查,测量生成型AI表达的情感与人类感知的一致性,以回答AI如何成功地表达特定情感的问题。通过评估多个生成型图像模型在表达积极和消极情感方面的表现,并分析其中的性能差异,我们发现生成型AI模型能够表达出与人类情感相一致的情感表达,但这种一致性在不同AI模型和情感本身上存在显著差异,我们还对未来改进的领域进行了分析,并讨论了对于旨在支持心理健康的未来AI系统的意义。