研究人员开发了一个名为 RPCL（Robust Pair Confidence Learning）的新训练框架，以改进多模态情感-原因对提取（MECPE）。该方法通过确保正确对的置信度分数与不正确的分开，解决了现有模型中“对置信度脆弱性”的问题。RPCL 通过将黄金对与困难负例分开并将预测与损坏的数据视图对齐，增强了判别性和稳定的对置信度。该框架在全文本-音频-视频设置的多个数据集上，将平均对 F1 分数提高了 2.58 至 2.83 个百分点，显示出显著的改进。 AI
影响 提高了多模态情感和原因提取的准确性，可能增强依赖于对文本、音频和视频内容细微理解的应用。
排序理由 这是一篇详细介绍特定 NLP 任务新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.18893v1 Announce Type: new Abstract: Multimodal emotion-cause pair extraction (MECPE) requires reliable pair confidence over candidate pairs. Existing pair scorers commonly use pair-level cross entropy over valid candidates, which treats links mostly independently. Thi…
Multimodal emotion-cause pair extraction (MECPE) requires reliable pair confidence over candidate pairs. Existing pair scorers commonly use pair-level cross entropy over valid candidates, which treats links mostly independently. This leaves the relative confidence geometry among …