Fugu-MT 論文翻訳(概要): Are You an Introvert or Extrovert? Accurate Classification With Only Ten Predictors

論文の概要: Are You an Introvert or Extrovert? Accurate Classification With Only Ten Predictors

arxiv url: http://arxiv.org/abs/2003.01580v1
Date: Sat, 29 Feb 2020 04:30:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 20:16:16.110991
Title: Are You an Introvert or Extrovert? Accurate Classification With Only Ten Predictors
Title（参考訳）: あなたは内向的か外向的か? 10個の予測器による正確な分類
Authors: Chaehan So
Abstract要約: この測定器のサイズを94から10まで効果的に小さくすることができ、性能損失は1%に留まる。 SMOTEやADASYNのようなクラス不均衡補正手法では、検証セットは大幅に改善されたが、テストセットはわずかに改善されただけだった。
参考スコア（独自算出の注目度）: 1.52292571922932
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper investigates how accurately the prediction of being an introvert vs. extrovert can be made with less than ten predictors. The study is based on a previous data collection of 7161 respondents of a survey on 91 personality and 3 demographic items. The results show that it is possible to effectively reduce the size of this measurement instrument from 94 to 10 features with a performance loss of only 1%, achieving an accuracy of 73.81% on unseen data. Class imbalance correction methods like SMOTE or ADASYN showed considerable improvement on the validation set but only minor performance improvement on the testing set.
Abstract（参考訳）: 本稿では,10人未満の予測者で内向型対外向型の予測がいかに正確かを検討する。この調査は、91人のパーソナリティと3つの人口統計項目に関する調査の7161人の過去のデータを基にしている。その結果、この測定器のサイズを94から10に効果的に減らすことができ、性能損失はわずか1%であり、未確認データでは73.81%の精度が得られることがわかった。 SMOTEやADASYNのようなクラス不均衡補正手法では、検証セットは大幅に改善されたが、テストセットはわずかに改善されただけだった。

関連論文リスト

Accessible, At-Home Detection of Parkinson's Disease via Multi-task Video Analysis [3.1851272788128644]
既存のAIベースのパーキンソン病検出方法は、主にモータや音声タスクの単調な分析に焦点を当てている。本稿では,このマルチモーダルデータを利用して診断精度を向上させる不確実性校正核融合ネットワーク(UFNet)を提案する。 UFNetは、精度、ORC曲線下(AUROC)の面積、非隣接特異性を維持しながら感度において、シングルタスクモデルよりも優れていた。
論文参考訳（メタデータ） (2024-06-21T04:02:19Z)
Improving Personalisation in Valence and Arousal Prediction using Data Augmentation [2.447631206868802]
本稿では、データ拡張を利用したパーソナライズ戦略の強化について述べる。提案手法であるDWA(Distance Weighting Augmentation)では,対象者のデータセットを拡大する重み付けに基づく拡張手法を採用している。 MuSe-Personalisation 2023 Challengeデータセットの実験結果から,提案手法は特徴セットの性能を著しく向上させることが示された。
論文参考訳（メタデータ） (2024-04-13T16:57:37Z)
Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
論文参考訳（メタデータ） (2024-03-18T05:49:45Z)
Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
論文参考訳（メタデータ） (2023-11-16T06:27:35Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
論文参考訳（メタデータ） (2022-02-09T12:03:02Z)
Testing using Privileged Information by Adapting Features with Statistical Dependence [41.64621679913436]
テスト時に追加機能を利用することで、再トレーニングや予測関数の知識のない予測を改善する。我々は,初期雑音予測器と付加特徴との統計的依存を実験的に推定し,強化する。一例として,本手法が実世界の視覚的ランキングの改善につながることを示す。
論文参考訳（メタデータ） (2021-11-04T13:45:34Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
Fair Visual Recognition in Limited Data Regime using Self-Supervision and Self-Distillation [31.386413758098243]
我々は、モデルに対するバイアスの影響を低減するために、自己超越と自己蒸留に適応する。実験によって、我々のアプローチはモデルで学んだバイアスを大幅に削減できることを示した。提案手法は, 性能を著しく向上させ, 限られたデータ構造におけるモデルバイアスを低減させる。
論文参考訳（メタデータ） (2021-06-30T19:22:46Z)
Re-TACRED: Addressing Shortcomings of the TACRED Dataset [5.820381428297218]
TACREDは、最大かつ最も広く使われている文レベルの関係抽出データセットの1つである。このデータセットを用いて評価された提案モデルは、新しい最先端のパフォーマンスを一貫して設定する。しかし、彼らはまだ大規模なテキストコーポラで外部の知識と教師なしの事前訓練を利用しながら大きなエラー率を示しています。
論文参考訳（メタデータ） (2021-04-16T22:55:11Z)
Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文参考訳（メタデータ） (2020-06-19T05:08:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。