CMHL：感情的一貫性を保つテキスト分類のための対照型マルチヘッド学習

概要: Textual Emotion Classification (TEC) は、最も難しい自然言語処理（NLP）タスクの1つです。最先端のアプローチは大型言語モデル（LLMs）およびマルチモデルのアンサンブルに依存しています。本研究では、より大規模なスケールやより複雑なモデルが性能向上に必要であるという仮定に挑戦します。論理的一貫性を向上させるために、CMHLを導入します。これは感情の論理構造を三つの主要な革新によって明示的にモデル化する新しい単一モデルアーキテクチャです：(1) 主感情、価性、強度を同時に予測するマルチタスク学習、(2) Russellの環状モデルに基づく心理学的根拠のある補助監督、(3) 相互に矛盾する予測を罰する新しい対照的矛盾損失（例: 喜びと怒りを同時に高い信頼度で予測すること）。125Mパラメータのみで、我々のモデルは56倍規模のLLMsおよびsLMアンサンブルを上回り、dair-ai Emotionデータセットで新たな最先端F1スコア93.75%を達成しました。これは、dair-ai Emotionデータセットにおける(86.13%-93.2%)との比較です。我々はさらに、Reddit Suicide WatchおよびMental Health Collectionデータセット（SWMH）でのドメイン横断的な一般化を示し、MentalBERTやMentalRoBERTaのようなドメイン特化モデルを上回るF1スコア72.50%を達成しました（68.16%-72.16%との比較）。また、再現率は73.30%で、67.05%-70.89%との比較から、精神健康に関する困難を検出する感度が向上することを意味します。我々の研究は、パラメータ数ではなく、アーキテクチャ的知能がTECの進歩を推進することを確立しています。心理学的事前知識と明示的な一貫性制約を組み込むことで、適切に設計された単一モデルは巨大なLLMsや複雑なアンサンブルの双方を上回ることができ、感情計算における効率的で解釈可能かつ臨床的に関連性の高いパラダイムを提供します。