GoEmotions: A Dataset of Fine-Grained Emotions
PulseAugur coverage of GoEmotions: A Dataset of Fine-Grained Emotions — every cluster mentioning GoEmotions: A Dataset of Fine-Grained Emotions across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PGCL方法改进了对AI生成文本的评估
研究人员开发了一种名为原型引导对比学习（PGCL）的新方法，用于改进对生成文本的评估。该方法使用固定的文本嵌入，这意味着基础模型不会被更新。PGCL结合了语义流、原型-锚点注意力和监督对比学习等多种技术，以创建任务适应性表示。在毒性检测、情感分类和评论评分数据集上的实验表明，与原始固定嵌入相比，PGCL提高了性能，并且与现有的度量学习基线相比具有竞争力。
-
新方法使用离散扩散模型进行无需训练的多标签文本分类
研究人员推出了一种名为dLLM-SetScore的新方法，该方法利用离散掩码扩散语言模型进行多标签文本分类，而无需进行特定任务的微调。该方法通过对每个潜在标签提出是/否问题，并比较答案标记的概率来实现。为避免偏差，该方法采用每标签评分，将每个标签置于相同的句法位置，以防止先前方法中观察到的依赖于顺序的伪影。在Reuters和GoEmotions等数据集上的评估表明，使用此协议的LLaDA-Instruct检查点在无需训练的情况下取得了…
-
新框架BACE量化情感识别可预测性极限
研究人员开发了一个名为偏差校正情感天花板估计（BACE）的新框架，以更好地理解文本情感识别的可预测性极限。该方法旨在量化有限的标注、估计器选择和噪声等因素如何影响准确性天花板，而不仅仅是给出一个单一数字。分析表明，情感分类中的大部分错误，例如在GoEmotions数据集上，是不可避免的。
-
FLARE框架优化大语言模型指令，性能超越GEPA
研究人员推出了一种名为FLARE的新框架，旨在优化大语言模型的指令。FLARE利用先进的反射机制和有限的少样本参考示例集来提高在各种基准测试中的性能。在使用GPT-5系列模型进行评估时，FLARE在检索增强推理和情感分类等任务上持续优于GEPA优化方法，展现出显著的准确性提升，同时还表现出卓越的数据效率和稳定性。
-
FLARE框架在优化LLM指令方面优于GEPA
研究人员推出了一种新的大型语言模型（LLM）指令优化框架FLARE。FLARE利用反射机制和少量少样本示例来提高在检索增强推理、工具调用和情感分类等各种基准测试中的性能。在使用GPT-5模型进行的评估中，FLARE的表现持续优于GEPA优化器，实现了显著的准确性提升，并展示了卓越的数据效率和稳定性。
-
新框架通过情感策略提升LLM代理的谈判技巧
研究人员开发了两个新框架EmoDistill和EvoEmo，通过融入情感策略来增强语言模型代理的谈判能力。EmoDistill通过选择和表达过程专注于将情感谈判技能蒸馏到代理中，在高风险领域实现更高的效用。EvoEmo利用进化强化学习优化多轮价格谈判中的动态情感表达，在成功率和效率方面优于基线策略。这两种方法都强调了情感在代理交互中的战略重要性，超越了简单的偏好对齐。
-
新的NLP方法通过软标签学习分解不确定性
研究人员开发了一种新颖的方法来分解主观自然语言处理（NLP）任务中的不确定性，特别是情感分类。该方法结合了循环随机梯度马尔可夫链蒙特卡洛（cSG-MCMC）和软标签学习，并利用了冻结的RoBERTa模型。与蒙特卡洛Dropout和Deep Ensemble等现有技术相比，该方法在GoEmotions基准测试中表现出优越的性能，在发散到标注者分布和选择性预测指标等多个评估轴上均取得了更好的结果。
-
AI模型在情感细微差别方面存在困难，研究人员探索新的评估和生成方法
研究人员正在探索AI中的情感细微差别，几篇论文专注于大语言模型（LLM）和语音处理。一项研究调查了小型语言模型在几种欧洲语言的机器翻译过程中保留情感的程度。另一篇论文介绍了一个新的数据集和流程，用于考虑话语中情感转换的语音字幕。此外，研究批判性地审查了用于评估语音生成中情感表达的指标，质疑对嵌入相似性的依赖。最后，一项研究分析了LLM如何推断情感，识别内部机制并提出改进其情感识别能力的方法，同时还强调了LLM标注与人类判断之间的差距。