論文の概要: Robust Modeling of Epistemic Mental States

• arxiv url: http://arxiv.org/abs/2005.13982v1
• Date: Thu, 28 May 2020 13:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 05:46:23.438822
• Title: Robust Modeling of Epistemic Mental States
• Title（参考訳）: てんかん性精神状態のロバストモデリング
• Authors: AKMMahbubur Rahman, ASM Iftekhar Anam, and Mohammed Yeasin
• Abstract要約: 疫病国家は、合意、集中、思慮、確信、関心である。 非線形関係はより一般的であることが判明し、一方、元の顔の特徴から生じる時間的特徴は強度変化と強い相関を示す。 本稿では, 顔の特徴と非線形関係のスコアを入力として捉え, ビデオ中の異なるてんかん状態を予測する新しい予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work identifies and advances some research challenges in the analysis of facial features and their temporal dynamics with epistemic mental states in dyadic conversations. Epistemic states are: Agreement, Concentration, Thoughtful, Certain, and Interest. In this paper, we perform a number of statistical analyses and simulations to identify the relationship between facial features and epistemic states. Non-linear relations are found to be more prevalent, while temporal features derived from original facial features have demonstrated a strong correlation with intensity changes. Then, we propose a novel prediction framework that takes facial features and their nonlinear relation scores as input and predict different epistemic states in videos. The prediction of epistemic states is boosted when the classification of emotion changing regions such as rising, falling, or steady-state are incorporated with the temporal features. The proposed predictive models can predict the epistemic states with significantly improved accuracy: correlation coefficient (CoERR) for Agreement is 0.827, for Concentration 0.901, for Thoughtful 0.794, for Certain 0.854, and for Interest 0.913.
• Abstract（参考訳）: 本研究は、ディヤド会話における顔の特徴と認識論的精神状態の時間的ダイナミクスの分析におけるいくつかの研究課題を特定し、発展させるものである。 疫病国家は、合意、集中、思慮、確信、関心である。 本稿では,顔の特徴とてんかん状態との関係を明らかにするための統計分析とシミュレーションを行う。 非線形関係はより広く見られるが、元の顔特徴に由来する時間的特徴は強度変化と強い相関を示す。 そこで本稿では, 顔の特徴と非線形関係のスコアを入力として捉え, ビデオ中の異なるてんかん状態を予測する新しい予測フレームワークを提案する。 上昇、降下、定常といった感情変化領域の分類を時間的特徴に組み込むと、認識状態の予測が促進される。 相関係数 (coerr) は 0.827、濃度 0.901、思慮深い 0.794、ある 0.854、利子 0.913 である。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Disentangling the Link Between Image Statistics and Human Perception [47.912998421927085]
  1950年代、BarlowとAttneaveは生物学的ビジョンと情報の最大化の関係を仮説づけた。 現状の主観的画像品質指標の感度を利用して, 確率関連因子を組み合わせ, 人間の知覚を予測する方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T10:38:27Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models [1.101002667958165]
  本稿では,ディープラーニングを用いてモデル予測のための特徴感度を学習する新しいフレームワークを提案する。 テンポラルフュージョントランスを用いた郡レベルの新型コロナウイルス感染予測を行った。 次に、Moris Methodを拡張した感度分析を使用して、出力が静的および動的入力機能に対してどれほど感度が高いかを確認します。
  論文  参考訳（メタデータ） (2022-10-06T23:45:37Z)
• Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
  メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。 本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。 分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
  論文  参考訳（メタデータ） (2022-08-07T02:28:32Z)
• Improving Prediction of Cognitive Performance using Deep Neural Networks in Sparse Data [2.867517731896504]
  MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。 ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
  論文  参考訳（メタデータ） (2021-12-28T22:23:08Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。