Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ATTENTION-BASED LSTM FOR PSYCHOLOGICAL STRESS D...
Search
Yuto Kamiwaki
June 27, 2018
Research
0
150
ATTENTION-BASED LSTM FOR PSYCHOLOGICAL STRESS DETECTION FROM SPOKEN LANGUAGE USING DISTANT SUPERVISION
2018/06/28文献紹介の発表内容
Yuto Kamiwaki
June 27, 2018
Tweet
Share
More Decks by Yuto Kamiwaki
See All by Yuto Kamiwaki
Emo2Vec: Learning Generalized Emotion Representation by Multi-task Training
yuto_kamiwaki
0
110
Modeling Naive Psychology of Characters in Simple Commonsense Stories
yuto_kamiwaki
1
210
Using millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm
yuto_kamiwaki
0
110
Epita at SemEval-2018 Task 1: Sentiment Analysis Using Transfer Learning Approach
yuto_kamiwaki
0
130
Tensor Fusion Network for Multimodal Sentiment Analysis
yuto_kamiwaki
0
250
Sentiment Analysis: It’s Complicated!
yuto_kamiwaki
0
79
ADAPT at IJCNLP-2017 Task 4: A Multinomial Naive Bayes Classification Approach for Customer Feedback Analysis task
yuto_kamiwaki
0
150
EmoWordNet: Automatic Expansion of Emotion Lexicon Using English WordNet
yuto_kamiwaki
0
110
BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs
yuto_kamiwaki
0
250
Other Decks in Research
See All in Research
Adaptive Experimental Design for Efficient Average Treatment Effect Estimation and Treatment Choice
masakat0
0
130
定性データ、どう活かす? 〜定性データのための分析基盤、はじめました〜 / How to utilize qualitative data? ~We have launched an analysis platform for qualitative data~
kaminashi
6
1k
SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery
satai
3
210
言語モデルによるAI創薬の進展 / Advancements in AI-Driven Drug Discovery Using Language Models
tsurubee
2
370
チャッドローン:LLMによる画像認識を用いた自律型ドローンシステムの開発と実験 / ec75-morisaki
yumulab
1
440
2025年度人工知能学会全国大会チュートリアル講演「深層基盤モデルの数理」
taiji_suzuki
24
14k
Trust No Bot? Forging Confidence in AI for Software Engineering
tomzimmermann
1
240
電通総研の生成AI・エージェントの取り組みエンジニアリング業務向けAI活用事例紹介
isidaitc
1
230
さくらインターネット研究所 アップデート2025年
matsumoto_r
PRO
0
640
Mathematics in the Age of AI and the 4 Generation University
hachama
0
160
在庫管理のための機械学習と最適化の融合
mickey_kubo
3
1.1k
Agentic AIとMCPを利用したサービス作成入門
mickey_kubo
0
240
Featured
See All Featured
Git: the NoSQL Database
bkeepers
PRO
430
65k
Why You Should Never Use an ORM
jnunemaker
PRO
57
9.4k
Agile that works and the tools we love
rasmusluckow
329
21k
Bash Introduction
62gerente
614
210k
The World Runs on Bad Software
bkeepers
PRO
69
11k
Automating Front-end Workflow
addyosmani
1370
200k
Speed Design
sergeychernyshev
32
1k
Mobile First: as difficult as doing things right
swwweet
223
9.7k
Why Our Code Smells
bkeepers
PRO
337
57k
Building Applications with DynamoDB
mza
95
6.5k
Imperfection Machines: The Place of Print at Facebook
scottboms
267
13k
Writing Fast Ruby
sferik
628
61k
Transcript
ATTENTION-BASED LSTM FOR PSYCHOLOGICAL STRESS DETECTION FROM SPOKEN LANGUAGE USING
DISTANT SUPERVISION 長岡技術科学大学 自然言語処理研究室 上脇優人 Genta Indra Winata, Onno Pepijn Kampman, Pascale Fung Hong Kong University of Science and Technology, Clear Water Bay, Hong Kong ICASSP 2018 6月文献紹介
Abstruct •自己導出型の書き起こしからの心理的ストレスを分類す るためのattentionメカニズムを備えたLSTMを提案. •コーパスのサイズを補完して拡張するハッシュタグの内 容に基づいて,ツイートを自動的にラベル付けすること によってdistant supervisionを適用. •biLSTMモデルは,accuracy 74.1%とF値 74.3%の
点で最高のモデルである. •distant supervisionの微調整により,accuracy 1.6%,F値 2.1%向上. 2
Introduction •心理的ストレスは,人の話し方や言葉の選択に影 響する. •言語学的研究では,言語選択にストレスと精神的 健康のレベルへの指針が含まれていることが示さ れている. •うつ病の発生を予測するためのソーシャルメディ アとTwitterからのテキストデータの可能性も実 証されている. •文章レベルのストレス検出に関する研究は,主に,
マイクロブログなどのソーシャルメディアから収 集されたテキストに焦点を当てている. 3
Introduction •本研究では,面接転写から文章レベルでの心理的ストレ スを検出するための単語埋め込み型attention based LSTMモデルを構築することを提案. •本ケースでは,著者の心の強調または非ストレス状態を 示すハッシュタグを手動で選択し,ストレス(正のラベ ル)とストレスのない(負のラベル)つぶやきをスクラ ップするのに使用. •インタビューコーパスは比較的小さく,主にアカデミア
に関連する限られた数の話題しかカバーしていないため, トレーニング中にデータを追加する必要がある. 4 この論文の主な貢献は、Twitterから収集されたラベルのないデータ が,本研究のインタビュー転記コーパスの分類パフォーマンスを向上 させることができることを示し,attention mechanismを適用すると モデルが重要な単語を効果的に選択するのに役立つ.
Models •本研究の目的は,入力として発話があれば,誰か がストレスを受けているかどうかを判断可能とす ることである. •いくつかの異なるモデルを探索した. •LSTM及びBiLSTMモデルでは,最終的にストレス 及びストレスのない用語集を形成するために訓練 可能な埋め込み層を使用した. •LSTMは,文中の単語の時間的ダイナミクスを捕 捉することが可能.
5
6
7
SVM •ベースラインとして,Radial Basis Function(RBF)カーネルを用いてSVMを構築 した. •与えられた文中の単語ごとにword2vecのワード エンベディングを抽出した. •埋め込みの次元数はkは300で,Googleニュース のデータで事前に訓練されている(約1000億語 でユニークワードは約300万語).
•SVMの場合,入力はN個の発話ベクトルからなる 入力行列として表されます. 8
9
10
11
12
Conclusion •面接記録から面接者のストレスレベルを分類する 方法を提示した. •biLSTMのモデルが最高性能であった. •ドメイン外ストレスツイートデータセットを使用 した2段階トレーニング方法は,学習のパフォー マンスを向上させる. 13
Future work •言語的および音響的特徴を用いたマルチモーダル 学習をする. •transfer learningのために文法的に正しい文 章を取得する. •今回のモデルを仮想セラピストのプラットフォー ムに組み込んで自動音声出力をさせる. •これにより、システムはユーザーのストレスを認
識し,適切なストレスマネジメントのアドバイス とエクササイズで対応する. 14