《论文阅读》构建情感共识并利用未配对数据生成共情对话 ACL 2021

最新推荐文章于 2024-11-12 19:08:30 发布
最新推荐文章于 2024-11-12 19:08:30 发布
阅读量363 收藏
点赞数
分类专栏： 情感对话 文章标签： 论文阅读 情绪 情绪共识 数据增强 duallearning 对话系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44833392/article/details/137555282
版权
情感对话 专栏收录该内容
72 篇文章 63 订阅 ¥29.90 ¥99.00
订阅专栏
本文介绍了ACL 2021上的一篇论文，研究如何通过情绪共识和未配对数据增强生成共情对话。作者提出双生成模型Dual-Emp，包括前向和后向模型，解决现有共情对话的单向情感流和数据限制问题。模型通过情绪分类器构建情绪共识，并在多头注意力中注入情绪信息，以动态地生成共情回复。实验表明该方法在共情对话生成上取得积极效果。
摘要由CSDN通过智能技术生成

《论文阅读》构建情感共识并利用未配对数据生成共情对话 ACL 2021

前言

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~
无抄袭，无复制，纯手工敲击键盘~

今天为大家带来的是《Constructing Emotion Consensus and Utilizing Unpaired Data for Empathetic Dialogue Generation》

在这里插入图片描述

出版：ACL 2021

时间： 2021

类型：共情回复生成

特点：情绪共识；共情；回复生成；数据增强

作者：Lei Shen

第一作者机构：Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China

简介

先前的研究关于共情回复的缺陷有：

  1. 单一的从对话上下文指向回复的情感流
  2. 共情回复语料库极其有限

针对问题1&#

了解本专栏 订阅专栏 解锁全文
365JHWZGo
关注
专栏目录
订阅专栏
【扩散模型/图像匹配/图像拼接】论文精读：DiffMatch: Diffusion Model for Dense Matching
畅游计算机视觉的海洋
01-30 1万+
建立成对图像之间的密集对应关系的目标由两个术语组成：数据项和先验项。虽然传统的技术侧重于定义难以表述的手工设计的先验项，但最近的方法侧重于使用深度神经网络学习数据项，而无需显式建模先验，假设模型本身有能力从大规模数据集中学习最优先验。然而，性能改进很明显，它们通常无法解决匹配的固有歧义，例如无纹理区域、重复模式和大位移。为了解决这个问题，我们提出了 DiffMatch，这是一个新颖的基于条件扩散的框架，旨在显式建模数据和先验术语。与以前的方法不同，这是通过利用条件去噪扩散模型来实现的。DiffMatch由两
【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
畅游计算机视觉的海洋
03-26 7850
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
基于大模型的idea提炼：从ResearchAgent，到斯坦福的AI-Researcher、上海AI实验室的VIRSCI
结构之法 算法之道
05-06 4643
对本博客比较熟悉的朋友知道，我司论文项目组正在基于大模型做论文的审稿(含CS英文论文审稿、和金融中文论文审稿)、翻译，且除了审稿翻译之外，我们还将继续做润色/修订、idea提炼(包含论文检索)，是一个大的系统，包含完整的链路 由于论文项目组已壮大到18人，故目前在并行多个事，且我也针对idea提炼做一下技术探索
EMNLP 2020论文分析：知识图谱增强语言模型或是未来的发展趋势！
夕小瑶科技说
12-01 2704
文 | MichaelGalkin源 | AI科技评论在EMNLP 2020的论文投递中，知识图谱的研究热度不减，并成为继续推动NLP发展的重要动力之一。在EMNLP 2020中，知识...
顶会论文分析：知识图谱增强语言模型或是未来的发展趋势！
zenRRan的博客
12-06 2442
点击上方，选择星标或置顶，每天给你送干货！阅读大概需要33分钟跟随小博主，每天进步一丢丢文 | MichaelGalkin源 | AI科技评论在EMNLP 2020的论文投递中，知识图...
Paper：大模型之《Pre-Trained Models: Past, Present and Future大规模预训练模型的发展历史、最新现状和未来发展三个方向》翻译与解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
12-12 8549
Paper：大模型之《Pre-Trained Models: Past, Present and Future大规模预训练模型的发展历史、最新现状和未来发展三个方向》翻译与解读目录Paper：《Pre-Trained Models: Past, Present and Future大规模预训练模型的发展历史、最新现状和未来发展三个方向》翻译与解读Abstract1 Introduction简介2 Background背景2.1 Transfer Learning and Supervised Pre-Tra
Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction 论文阅读 ACL2021
qq_36234441的博客
08-18 3014
目录摘要针对问题：解决方法：2 Span-based ASTE2.1 Task Formulation2.2 Model Architecture2.2.1 Sentence EncodingSpan Representation2.2.2 Mention ModulePruned Target and Opinion2.2.3 Triplet ModuleTarget Opinion Pair RepresentationSentiment Relation Classifier2.3 Training.
【图像超分】论文精读：SRResNet/SRGAN
畅游计算机视觉的海洋
03-29 6731
尽管使用更快更深的卷积神经网络在单幅图像超分辨率的准确性和速度方面取得了突破，但一个中心问题在很大程度上仍未解决：当我们在大型放大因子上超分辨率时，我们如何恢复更精细的纹理细节。基于优化的超分辨率方法的行为主要是由目标函数的选择驱动的。最近的工作主要集中在最小化均方重建误差上。生成的估计具有较高的峰值信噪比，但它们通常缺乏高频细节，并且在感知上不令人满意，因为它们无法匹配更高分辨率的保真度。在本文中，我们提出了SRGAN，一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知，这是第一个能够为4×
点云论文阅读-1-pointnet++
weixin_43899239的博客
11-12 258
pointnet局限性：不能获取局部结构信息作者提出pointnet++如何确定球的尺寸，类似于如何确定CNN的卷积核尺寸。利用了多尺度邻域以同时实现鲁棒性和细节获取。
【论文笔记】Wings: Learning Multimodal LLMs without Text-only Forgetting
小嗷犬的博客
11-09 1051
多模态大型语言模型（MLLMs）以训练好的LLM为基础，首先将图像与文本对齐，然后对多模态混合输入进行微调。然而，MLLM在灾难性地忘记了仅包含文本的指令，这些指令不包括图像，可以在初始LLM中解决。在本文中，我们提出了WINGS，这是一种新型的MLLM，在纯文本对话和多模态理解方面都表现出色。分析MLLM在多模态指令中的注意力发现，纯文本遗忘与从预图像文本到后图像文本的注意力转移有关。据此，我们构建了额外的模块，作为增强学习器来补偿注意力转移。
【论文阅读】医学SAM适配器：适应医学图像分割的任意分割模型
川川自溢的博客
11-11 862
【论文阅读】医学SAM适配器：适应医学图像分割的任意分割模型
论文阅读《机器人状态估计中的李群》
YMWM_的博客
11-09 905
李群是一个古老的数学抽象对象，可以追溯到19世纪，当时数学家 Sophus Lie奠定了连续变换群理论的基础。多年后，它的影响已经蔓延到科学和技术的各个领域。在机器人领域，我们最近正在经历一个重要的趋势，至少在估计领域，特别是在导航的运动估计方面。然而，对于绝大多数机器人专家来说，李群是高度抽象的结构，因此难以理解和使用。在机器人估计技术中，通常不需要充分利用李群理论的能力，因此需要努力选择合适的阅读材料。在本文中，我们将通过李理论的最基本原理，目的是传达清晰和有用的想法，并留下一个重要的李理论语料库。
论文阅读分享：基于弱监督的病理图像腺体分割
tjl521314_21的博客
11-11 218
● 弱监督学习可以在较少标注的情况下，生成像素级分割，适用于处理复杂的病理图像分割任务。因此，弱监督学习成为一种有效的替代方案，通过图像级标签实现分割，减少标注成本。● 伪掩码去噪与分割优化：为应对病理图像结构不规则、对比度低等问题，提出动态加权损失，以过滤伪掩码中的噪音，提高分割精度。● 随着深度学习在医学图像分割中的广泛应用，全监督学习虽然取得了优异表现，但由于需要大量像素级标注，应用受到限制。● 本研究进一步优化了伪掩码生成，通过重构模块增强图像的局部激活，以提高分割质量。弱监督学习的优势与方法。
【论文阅读】小样本学习相关研究
Glass_Gun的博客
11-11 644
不可靠的经验风险最小化器是FSL的核心问题。基于先验知识如何处理核心问题，可以将FSL分为三个角度：数据使用先验知识来增强监督经验，模型通过先验知识约束假设空间，算法使用先验知识改变对假设空间中最佳假设参数的搜索。这篇小样本学习综述论文从Data、Model、Algorithm三个方面介绍了现有的小样本学习领域内的方法，以数学的形式具体解释了小样本学习中的困难点。
论文阅读《BEVFormer v2》
最新发布
YMWM_的博客
11-12 296
我们提出了一种具有透视监督的新型鸟瞰图（BEV）检测器，其收敛速度更快并且更适合现代图像主干。现有的最先进的BEV检测器通常与某些深度预训练主干网络（如VoVNet）相关联，从而阻碍了蓬勃发展的图像主干网络和BEV检测器之间的协同作用。为了解决这一限制，我们优先通过引入透视图监督来简化BEV检测器的优化。为此，我们提出了一个两阶段BEV检测器，其中来自透视头的提议被输入到鸟瞰头中进行最终预测。为了评估我们模型的有效性，我们进行了广泛的消融研究，重点关注监督形式和所提出的检测器的通用性。
[论文阅读]Enhanced Membership Inference Attacks against Machine Learning Models
m0_52911108的博客
11-08 1023
在本文中，我们提出了一个全面的假设检验框架，该框架不仅使我们能够以一致的方式正式表达之前的工作，而且还设计了新的成员推理攻击，该攻击使用参考模型来实现任何（假阳性率）误差的显着更高的功效（真阳性率）。更重要的是，我们解释了为什么不同的攻击执行方式不同。我们提供了一个不可区分游戏的模板，并提供了游戏不同实例的攻击成功率的解释。我们讨论了问题制定过程中出现的攻击者的各种不确定性，并展示了我们的方法如何尝试将攻击不确定性降至最低，直到训练集中是否存在数据点的一点秘密。
论文阅读-Event-based Visible and Infrared Fusion via Multi-task Collaboration
luralying的博客
11-09 1129
假设有一个连续的事件流εε，它的时间范围在区间t0t1[t_0,t_1]t0​t1​内，在这段事件流中存在一组运动模糊帧段IirIi∣i12MIir​Ii​∣i12...M。每个IiI_iIi​都有一个曝光时间窗口titiδ∈t0t1ti​ti​δ∈t0​t1​,其中δ\deltaδ是红外相机的曝光时间长度。EVIFEVIFEVIF的目标是为每个红外帧Ii。
【论文笔记】VCoder: Versatile Vision Encoders for Multimodal Large Language Models
小嗷犬的博客
11-08 912
人类拥有非凡的视觉感知能力，即看到并理解所见，这帮助他们理解视觉世界并推理。多模态大型语言模型（MLLM）最近在视觉-语言任务上取得了令人印象深刻的成果，这些任务包括视觉问答、图像标题生成、视觉推理和图像生成。然而，当被要求识别或计数（感知）给定图像中的实体时，现有的MLLM系统却失败了。为了开发一个准确的多模态MLLM感知和推理系统，我们提出使用VCoderVCoder）作为多模态MLLM的感知之眼。我们将分割或深度图等感知模态输入到VCoder中，从而提高MLLM的感知能力。
PETR/PETRv2/StreamPETR论文阅读
人无远虑，必有近忧
11-12 435
但是在对t-1时刻的坐标进行变换后，这些坐标的值发生了变化，但是tensor结构没有发生变化依旧是(D*4,H,W)，那么对于H,W的某个位置x和y来说，t时刻是一条射线上的若干点坐标，t-1时刻变换到t时刻，同样的位置x和y处是上一时刻的一一对应的坐标，这表示的就是坐标的变化，这条射线上每个点在△t内坐标的变化。t时刻的lidar坐标系和t-1时刻的lidar坐标系是不同的，是变化了的，所以需要一个不会变化的global坐标系作为桥梁。3D位置嵌入与同一视图的2D图像特征相加，生成3D位置感知功能。
TripleGAN: 数据配对增强的图像生成与应用
这种设计使得TripleGAN能够在有限的配对数据下，利用未配对的数据进行有效训练，增强了生成的图像质量和多样性。 章节二详细介绍了GANs的理论基础和多种改进版本，如fGAN、JS-divergence、LSGAN、WGAN、WGAN-GP、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值