Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2466| Sequential Models for Personality Recognition: A Multimodal Perspective | |
| Jeanfed Ramírez Lima | |
| Hugo Jair Escalante Balderas Luis Villaseñor Pineda | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| personality recognition multimodality transformers cross-attention | |
| In recent years, affective computing has surged, thanks to enhanced tech accessibility. Advancements in machine learning have enabled the development of algorithms that recognize emotions and personality, with applications in healthcare, education, and entertainment. This includes identifying mental health risks, personalizing education, and providing tailored marketing recommendations. Personality, comprising unique behavior, thoughts, and emotions, is typically assessed using self-reported surveys. The Big Five Personality Traits model classifies it into five categories: Openness, Conscientiousness, Extraversion, Agreeableness, and Neuroticism. However, automating this process with diverse data types faces challenges due to limited datasets, unlike fields like object recognition or language modeling. This study introduces a Transformer-based approach for personality recognition, addressing automation challenges by pretraining Transformers with a compact vocabulary suitable for diverse data types. It emphasizes the value of deep learing models like Transformers and Neural Architecture Search while recognizing the challenges of implementing large-parameter architectures. The investigation demonstrates that streamlined parameter pretraining equips Transformer encoders with essential knowledge for precise personality recognition, achieving results comparable to cuttingedge approaches. The hierarchical cross-modal approach performs on par with state-of-the-art methods, particularly in data-scarce situations, although recurrent methods may offer superior results due to limited dataset size. En los últimos años, la computación afectiva ha experimentado un gran auge gracias a la mayor accesibilidad de la tecnología. Los avances en el aprendizaje automático han permitido desarrollar algoritmos que reconocen las emociones y la personalidad, con aplicaciones en la salud, la educación y el entretenimiento. Esto incluye la identificación de riesgos para la salud mental, la personalización de la educación y la oferta de recomendaciones de marketing a medida. La personalidad, que comprende comportamientos, pensamientos y emociones, suele evaluarse mediante encuestas autoreportadas. El modelo de los Cinco Grandes Rasgos de Personalidad la clasifica en cinco categorías: Apertura, Conciencia, Extraversión, Agradabilidad y Neuroticismo. Sin embargo, la automatización de este proceso con diversos tipos de datos se enfrenta a retos debido al tamaño de los conjuntos, a diferencia de campos como el reconocimiento de objetos o el modelado del lenguaje. Este estudio presenta un enfoque basado en Transformers para el reconocimiento de la personalidad mediante el preentrenamiento de modelos con un vocabulario compacto. Destaca la importancia de modelos como Transformers y Neural Architecture Search, pero reconoce los desafíos de arquitecturas grandes. La investigación muestra que el preentrenamiento simplificado beneficia a los Transformers, logrando resultados comparables a enfoques avanzados. El enfoque jerárquico de modalidad cruzada rinde bien en situaciones de escasez de datos, aunque métodos recurrentes pueden superarlo por el tamaño limitado del conjunto de datos. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2023-09 | |
| Tesis de maestría | |
| Inglés | |
| Estudiantes Investigadores Público en general | |
| Ramírez Lima, J. (2023), Sequential Models for Personality Recognition: A Multimodal Perspective, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| OTRAS ESPECIALIDADES TECNOLÓGICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencia y Tecnología del Espacio |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| RAMIREZLJ_MCC.pdf | 10.72 MB | Adobe PDF | Visualizar/Abrir |