멀티모달 감정 합리화: 느린 빠른 사고 협동으로

여러 가지 방식의 감정 인식의 새로운 접근

여러 가지 방식의 감정 인식은 사람의 감정을 다양한 방식(예: 글, 그림, 목소리 등)을 통해 인식하는 기술입니다. 최근 연구에서는 명확한 추론이 반드시 더 나은 감정 인식 정확도에 직결되지 않는다는 것을 발견했습니다. 대규모 언어 모델에서 빠른 생각을 유발하여 직접적인 대답을 트리거링하는 것이 종종 느린 생각 후 철저한 추론보다 성능이 뛰어난 경우가 많습니다. 실증 분석 결과, 빠른 생각은 더 넓고 더 자신 있는 예측으로 회귀율을 향상시키는 반면, 느린 생각은 정확성을 높이기 위해 오류 범주의 보수적인 필터링을 선호합니다. 이러한 발견은 감정 인식의 새로운 접근을 제안합니다. 느린-빠른 생각의 상보성을 명시적인 최적화로 변환하여, 회귀율과 정확성을 두 개의 최적화 신호로 분리하여 공동으로 최적화할 수 있도록 합니다.

감정 인식 강화 학습 프레임워크

이러한 통찰을 바탕으로, 감정 인식 강화 학습 프레임워크를 제안했습니다. 이 프레임워크는 느린-빠른 신뢰도 조정으로 최종 느린 생각의 대답을 빠른 생각의 직감과 일치시킵니다. 이로써, 감정 인식 강화 학습 프레임워크는 회귀율에 중점을 둔 빠른 생각의 직감과 정확성에 중점을 둔 느린 생각의 선택성을 통합합니다. 이 동기화를 통해, 감정 인식 강화 학습 프레임워크는 최적화 과정에서 분산성으로 인한 간섭을 완화하는 이론적 정당성을 제공합니다. 감정 인식 강화 학습 프레임워크는 광범위한 실험을 통해 최고 성능을 달성하고 추론이 감정 인식에 실제로 도움이 된다는 것을 입증했습니다. 이러한 결과는 감정 인식의 새로운 방향을 제시하며, 대규모 언어 모델과 강화 학습을 결합하여 더 나은 감정 인식 성능을 달성할 수 있을 것입니다.