論文の概要: Interpreting Expert Annotation Differences in Animal Behavior

• arxiv url: http://arxiv.org/abs/2106.06114v1
• Date: Fri, 11 Jun 2021 01:36:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:32:51.455824
• Title: Interpreting Expert Annotation Differences in Animal Behavior
• Title（参考訳）: 動物行動における専門家アノテーションの違いの解釈
• Authors: Megan Tjandrasuwita, Jennifer J. Sun, Ann Kennedy, Swarat Chaudhuri, Yisong Yue
• Abstract要約: 手書きのアノテートデータは、主観的差異、ラター内変動、およびアノテータの専門性の違いによって異なる可能性がある。 我々は,動物行動ビデオのセットで同じ行動クラスをラベル付けした,異なる専門家のアノテーションについて検討した。 本稿では,行動分析におけるアノテーションの違いの解釈を支援するために,プログラム合成を用いた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 34.257144599478856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hand-annotated data can vary due to factors such as subjective differences, intra-rater variability, and differing annotator expertise. We study annotations from different experts who labelled the same behavior classes on a set of animal behavior videos, and observe a variation in annotation styles. We propose a new method using program synthesis to help interpret annotation differences for behavior analysis. Our model selects relevant trajectory features and learns a temporal filter as part of a program, which corresponds to estimated importance an annotator places on that feature at each timestamp. Our experiments on a dataset from behavioral neuroscience demonstrate that compared to baseline approaches, our method is more accurate at capturing annotator labels and learns interpretable temporal filters. We believe that our method can lead to greater reproducibility of behavior annotations used in scientific studies. We plan to release our code.
• Abstract（参考訳）: 手書きアノテートデータは、主観的差異、ラター内変動性、アノテータの専門性の違いなどによって異なる場合がある。 動物行動ビデオに同じ行動クラスをラベル付けした異なる専門家のアノテーションを調査し,アノテーションスタイルの変化を観察した。 本稿では,プログラム合成を用いた行動解析のためのアノテーションの差異を解釈するための新しい手法を提案する。 本モデルでは,各時刻スタンプにおけるアノテータの位置を推定した重要度に応じた時間的フィルタをプログラムの一部として学習する。 行動神経科学のデータセットを用いた実験では,ベースラインアプローチと比較して,アノテータラベルの取得や解釈可能な時間フィルタの学習がより正確であることが示された。 我々は,本手法が科学的研究で用いられる行動アノテーションの再現性を高めることができると考えている。 私たちはコードをリリースする予定です。

関連論文リスト

• How Video Meetings Change Your Expression [29.898716559065672]
  人のビデオが2つあるとすると、各セットに特有の時間的パターンを自動的に見つけ出そうとする。 我々は、生成ドメイン翻訳のレンズを通してこの問題に取り組む。 本稿では,F2F(F2F)とVC(Voice-calls)の対話行動の違いを,本手法が検出できることを実証する。
  論文  参考訳（メタデータ） (2024-06-03T03:15:02Z)
• Stubborn Lexical Bias in Data and Models [50.79738900885665]
  我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。 トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。 驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
  論文  参考訳（メタデータ） (2023-06-03T20:12:27Z)
• Pretraining Respiratory Sound Representations using Metadata and Contrastive Learning [1.827510863075184]
  教師付きコントラスト学習(Supervised contrastive learning)は、同じクラスラベルを共有するサンプルに類似した表現を学習するパラダイムである。 2つの異なるデータセットにおいて,呼吸異常の分類において,クロスエントロピーよりも優れていることを示す。 この研究は、教師付きコントラスト設定で複数のメタデータソースを使用する可能性を示唆している。
  論文  参考訳（メタデータ） (2022-10-27T12:59:00Z)
• Class-Level Logit Perturbation [0.0]
  特徴摂動とラベル摂動は、様々なディープラーニングアプローチにおいて有用であることが証明されている。 シングルラベルとマルチラベルの両方の分類タスクに対して,摂動ロジットを明示的に学習するための新しい手法が提案されている。 logit上でしか摂動しないため、既存の分類アルゴリズムと融合するためのプラグインとして使用できる。
  論文  参考訳（メタデータ） (2022-09-13T00:49:32Z)
• EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
  本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。 我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。 発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2021-10-19T14:22:04Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)
• Single versus Multiple Annotation for Named Entity Recognition of Mutations [4.213427823201119]
  我々は,複数のアノテータが必要かどうかを測定するために,1つのアノテータ対2のアノテータによる影響について論じる。 単一アノテータを使用する場合のパフォーマンス損失を評価すると、第2のアノテーションのためにトレーニングデータをサンプルするために異なる方法を適用する。 保持されたダブルアノテートデータを使用して、異なるタイプのランキングを持つ2つのシナリオを構築します。 i)誤ったトレーニングインスタンスを識別する能力、(ii)最先端技術におけるミューテーションNERのパフォーマンスについて、両方のアプローチを評価する。
  論文  参考訳（メタデータ） (2021-01-19T03:54:17Z)
• Towards Improved and Interpretable Deep Metric Learning via Attentive Grouping [103.71992720794421]
  グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。 本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T19:08:24Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)
• Inverse Feature Learning: Feature learning based on Representation Learning of Error [12.777440204911022]
  本稿では,新しい教師付き特徴学習手法としての逆特徴学習を提案し,誤り表現アプローチに基づく分類のための高レベル特徴セットを学習する。 提案手法は,いくつかの一般的なデータセットに対する最先端の分類手法と比較して,性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-08T00:22:26Z)

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。