ОБЪЯСНЕНИЕ ЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА С ИСПОЛЬЗОВАНИЕМ ОНТОЛОГИЙ

Royal Shirinov

Authors

Ширинов Ройал Абиль оглы Азербайджанский Государственный Университет Нефти и Промышленности https://orcid.org/0009-0001-9211-8721

Keywords:

объяснимый искусственный интеллект (XAI),, эмоциональное состояние человека, онтология,, инновации,, философия.

Abstract

Сегодня онтология становится частью различных подходов к работе с человеком, его эмоциями, навыками и потребностями в плоскости инновационных технологий. Безусловно, такое преобразование философской мысли позволяет оптимизировать систему получения знаний об эмоциях и их вариациях. Особенность подхода заключается в том, что сама онтология является теоретической и не нуждается в практическом подтверждении, в то время как системы вычислений, наоборот требуют четких инструкций и алгоритмов расчета. Как результат сочетание инноваций и философских течений дает таксономическую организацию в процессе выявления заданных параметров. В данной работе предлагается к рассмотрению комбинация УО XAI & ЭмОКА, основанная на сочетании метода упрощенных объяснений и метода описания эмоций на основе контекстных данных о выражениях тела, которые опираются на инновационных технологиях XAI и онтологических инструментах анализа. Предложенный комбинированный метод рассматривается в рамках математического и программного методов исследования, которые показывают перспективность применения объяснимого искусственного интеллекта в области распознания человеческих эмоций. В заключении указывается, что данное предложение требует практического подтверждения, что предполагает его дальнейшее изучение.

References

Wang Z., Ho S.B., Cambria E. A review of emotion sensing: categorization models and algorithms//International Journal Uncertainty, Blurriness and Knowledge-based Systems. 2020. №79(47-48). pp. 35553–35582. doi:10.1007/s11042-019-08328-z. URL: https://ink.library.smu.edu.sg/cgi/viewcontent.cgi?article=6369&context=sis_research

Latif S., Cuayahuitl H., Pervez F., Shamshad F., Ali H. S., Cambria E. A survey on deep reinforcement learning for audio-based applications//Artificial Intelligence Review 2023. №56 (2023). pp. 2193-2240. DOI:10.1007/s10462-022-10224-2. URL: https://link.springer.com/content/pdf/10.1007/s10462-022-10224-2.pdf

Farimani S.A., Jahan M.V., Fard A.M., Tabbach S.R.K. Investigating the informativeness of technical indicators and news sentiment in financial market price prediction//Knowledge-based Systems. 2022. №247. pp. 108742. https://doi.org/10.1016/j.knosys.2022.108742. URL: https://www.sciencedirect.com/science/article/abs/pii/S095070512200346X

Minaee S., Kalchbrenner N., Cambria E., Nikzad N., Chenaghlu M., Gao J. Deep Learning--based Text Classification// ACM Computing Surveys. 2021. №54(3). р.1–40. doi:10.1145/3439726. URL: https://arxiv.org/pdf/2004.03705

Cavaliere D., Senatore S. Emotional Concept Extraction Through Ontology-Enhanced Classification//In the Works Scientific Research Conference on Metadata and Semantic Research. 2019. vol 1057. pp. 52-63. https://doi.org/10.1007/978-3-030-36599-8_5. URL: https://link.springer.com/chapter/10.1007/978-3-030-36599-8_5

Elkobaisi M. R., Al Machot F., Mayr H. C. Human emotion: a survey focusing on languages, ontologies, datasets and systems//SN Computer Science 2022. vol 3. №4 pp. 282. https://doi.org/10.1007/s42979-022-01116-x. URL: https://link.springer.com/content/pdf/10.1007/s42979-022-01116-x.pdf

Elkobaisi M.R., Mayr H.C., Shekhovtsov V. A. Conceptual human emotion modeling// In: Advances in Conceptual 768 Modeling, ER Workshops. 2020. №2020. pp. 71–81. DOI: https://doi.org/10.1007/978-3-030-65847-2_7 . URL: https://link.springer.com/chapter/10.1007/978-3-030-65847-2_7

Ермаков В. Объяснимый ИИ: как сделать алгоритмы более прозрачными и понятными//https://vc.ru/u/3352034-vlad-ermakov/1194643-obyasnimyi-ii-kak-sdelat-algoritmy-bolee-prozrachnymi-i-ponyatnymi. URL: https://vc.ru/u/3352034-vlad-ermakov/1194643-obyasnimyi-ii-kak-sdelat-algoritmy-bolee-prozrachnymi-i-ponyatnymi

Koratamaddi P., Wadhwani K., Gupta M., Sanjivi S.G. A Multi-Agent Reinforcement Learning Approach for Stock Portfolio Allocation// Proceedings of the 3rd ACM India Joint International Conference on Data Science & Management of Data. 2021. №24(4). pp. 410. DOI: 10.1145/3430984.3431045. URL: https://dl.acm.org/doi/abs/10.1145/3430984.3431045

Reis J. C., Correia A., Murai F., Veloso A., Benevenuto F. Supervised learning for fake news detection// IEEE Intelligent Systems. 2019. №34(2). pp. 76-81.doi:10.1109/mis.2019.2899143. URL: https://sentic.net/supervised-learning-for-fake-news-detection.pdf

Akhtar M. S., Ghosal D., Ekbal A., Bhattacharyya P., Kurohashi S. All-in-one: Emotion, Sentiment and Intensity Prediction Using a Multi-Task Ensemble Framework//IEEE Transactions on Affective Computing. 2019. №13(1). pp. 285-297. DOI:10.1109/TAFFC.2019.2926724. URL: https://www.cse.iitb.ac.in/~pb/papers/ieee-toac-sa.pdf

Johnston M., Dahl D.A. EMMA: Extensible MultiModal Annotation markup language Version 2.0 // https://w3c.github.io/emma/emma2_0/emma_2_0_editor_draft.html. URL: https://link.springer.com/chapter/10.1007/978-3-319-42816-1_3