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.
-
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。