References
- Bernard, J. 2024 . What are word embeddings? IBM, available at: https://www.ibm.com/topics/word-embeddings
- Bondielli, A., Passaro, L. C., 2021. Sfruttare CLIP per il riconoscimento delle emozioni nelle immagini. In Cabrio, E., Croce, D., Passaro, L. C., Sprugnoli, R. (Eds.), Atti del Quinto Workshop su Linguaggio Naturale per l’Intelligenza Artificiale (NL4AI 2021) in concomitanza con la 20a Conferenza Internazionale dell’Associazione Italiana per l’Intelligenza Artificiale (AI*IA 2021), Evento online, 29 novembre 2021. CEUR Workshop Proceedings, 3015. CEUR-WS.org. available at: https://ceur-ws.org/Vol-3015/paper172.pdf
- Bustos, C., Civit, C., Du, B. et al., 2023. Sull’uso dei modelli Vision-Language per l’analisi del sentimento visuale: uno studio su CLIP. In 11a Conferenza Internazionale sull’Interazione Intelligente e l’Informatica Affettiva (ACII) (pp. 1-8). IEEE Computer Society. available at: https://doi.ieeecomputersociety.org/10.1109/ACII59096.2023.10388075
- Chakrabarty, T., Saakyan, A., Winn, O. et al., 2023. I spy a metaphor: Large language models and diffusion models co-create visual metaphors. arXiv preprint arXiv:2305.14724.
- Chen, M., Radford, A., Child, R. et al., 2020 . Preallenamento generativo dai pixel. In III, H. Daumé & Singh, A. (Eds.), Atti della 37a Conferenza Internazionale sull’Apprendimento Automatico (pp. 1691-1703). PMLR. available at: https://proceedings.mlr.press/v119/chen20s.html
- Eco, U. 1984 . Semiotica e filosofia del linguaggio, Einaudi, Torino.
- Fernández Gambín, A., Yazidi, A., Vasilakos, A. et al., 2024. Deepfakes: current and future trends. Artificial Intelligence Review, 57:64.
- Garrido-Muñoz, I., Montejo-Ráez, A., Martínez-Santiago, F., Ureña-López, L. A. 2021 . A survey on bias in deep NLP. Applied Sciences, 11(7), 3184.
- Groupe μ (1970). Rhétorique générale, Larousse, Paris (trad. it. Retorica generale, Bopiani, Milano 1976; II ediz. 1980)
- Groupe μ 1992 . Traité du signe visuel. Seuil, Paris.
- Ho, J., Jain, A., Abbeel, P. 2020 . Denoising diffusion probabilistic models. Advances in neural information processing systems, 33, 6840-6851.
- Kaur, D., Kaur, Y. 2014 . Various image segmentation techniques: a review. International Journal of Computer Science and Mobile Computing, 3(5), 809-814.
- Lakoff, G., Johnson, M. 1980 . Metaphors we live by, The University of Chicago Press, Chicago (trad. it. Metafora e vita quotidiana, Bompiani, Milano 1998). LeCun, Y., Bengio, Y., Hinton, G. 2015 . Deep learning. nature, 521(7553), 436-444.
- Prystawski, B., Thibodeau, P., Potts, C. et al., 2022. Psychologically-informed chain-of-thought prompts for metaphor understanding in large language models. arXiv preprint arXiv:2209.08141.
- Ramesh, A., Dhariwal, P., Nichol, A., et al., 2022. Generazione di immagini gerarchica condizionata al testo con latenti CLIP. ArXiv, cs.CV. available at: https://arxiv.org/abs/2204.06125
- Rombach, R., Blattmann, A., Lorenz, D. et al., 2022 . Sintesi di immagini ad alta risoluzione con modelli di diffusione latenti. ArXiv, cs.CV. available at: https://arxiv.org/abs/2112.10752
- Sonesson, G. 1989 . Pictorial concepts, Lund University Press, Lund.
- Tong, X., Choenni, R., Lewis, M. et al., 2024. Dataset di sfida per la comprensione delle metafore per i modelli di linguaggio di grandi dimensioni. ArXiv, cs.CL. available at: https://arxiv.org/abs/2403.11810
- Yakura, H. 2023 . Evaluating large language models’ ability to understand metaphor and sarcasm using a screening test for Asperger syndrome. arXiv preprint arXiv:2309.10744.
- Zoph, B., Raffel, C., Schuurmans, D. et al., 2022 . Abilità emergenti dei grandi modelli di linguaggio. TMLR.