論文の概要: Semi-Supervised Learning and Data Augmentation in Wearable-based
Momentary Stress Detection in the Wild
- arxiv url: http://arxiv.org/abs/2202.12935v1
- Date: Tue, 22 Feb 2022 01:10:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-06 12:31:40.738401
- Title: Semi-Supervised Learning and Data Augmentation in Wearable-based
Momentary Stress Detection in the Wild
- Title（参考訳）: 野生の瞬間的ストレス検出における半教師付き学習とデータ拡張
- Authors: Han Yu, Akane Sano
- Abstract要約: 本研究は、未ラベルのウェアラブルセンサデータを野生でのストレス検出に活用することを検討する。
まず生理的・行動的データにデータ拡張手法を適用し, 教師付きストレス検出モデルのロバスト性を向上させる。
ラベルのないデータシーケンスを活用するための半教師付き学習フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 14.745523471054744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physiological and behavioral data collected from wearable or mobile sensors
have been used to estimate self-reported stress levels. Since the stress
annotation usually relies on self-reports during the study, a limited amount of
labeled data can be an obstacle in developing accurate and generalized stress
predicting models. On the other hand, the sensors can continuously capture
signals without annotations. This work investigates leveraging unlabeled
wearable sensor data for stress detection in the wild. We first applied data
augmentation techniques on the physiological and behavioral data to improve the
robustness of supervised stress detection models. Using an auto-encoder with
actively selected unlabeled sequences, we pre-trained the supervised model
structure to leverage the information learned from unlabeled samples. Then, we
developed a semi-supervised learning framework to leverage the unlabeled data
sequences. We combined data augmentation techniques with consistency
regularization, which enforces the consistency of prediction output based on
augmented and original unlabeled data. We validated these methods using three
wearable/mobile sensor datasets collected in the wild. Our results showed that
combining the proposed methods improved stress classification performance by
7.7% to 13.8% on the evaluated datasets, compared to the baseline supervised
learning models.
- Abstract（参考訳）: ウェアラブルまたはモバイルセンサーから収集された生理的および行動的データは、自己報告されたストレスレベルを推定するために使用されている。
ストレスアノテーションは通常、研究中に自己報告に依存するため、ラベル付きデータの限られた量は、正確で一般化されたストレス予測モデルを開発する上で障害となる可能性がある。
一方、センサーはアノテーションなしで連続的に信号をキャプチャすることができる。
本研究は,野生のストレス検出にラベルなしのウェアラブルセンサデータを活用することを検討する。
まず,生理的および行動的データにデータ拡張技術を適用し,教師付きストレス検出モデルのロバスト性を改善する。
ラベルなしシーケンスを積極的に選択した自動エンコーダを用いて教師付きモデル構造を事前学習し,ラベルなしサンプルから得られた情報を活用した。
そこで,ラベルなしデータ列を活用した半教師付き学習フレームワークを開発した。
拡張データと元のラベルなしデータに基づいて予測出力の一貫性を強制する一貫性規則化とデータ拡張技術を組み合わせた。
これらの手法を3つのウェアラブル/モバイルセンサデータセットを用いて検証した。
提案手法を組み合わせることで,ベースライン教師付き学習モデルと比較して,評価データセット上でのストレス分類性能が7.7%から13.8%向上した。
関連論文リスト
- TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。
我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。
提案手法は2つの異なる方法で擬似ラベル品質を向上する。
論文 参考訳（メタデータ） (2024-09-17T05:35:00Z) - Representation Learning for Wearable-Based Applications in the Case of
Missing Data [20.37256375888501]
実環境におけるマルチモーダルセンサデータは、データ品質が低く、データアノテーションが限られているため、依然として困難である。
本稿では,不足するウェアラブルデータに対する表現学習について検討し,最新統計手法と比較する。
本研究は,マスキングに基づく自己指導型学習タスクの設計と開発に関する知見を提供する。
論文 参考訳（メタデータ） (2024-01-08T08:21:37Z) - 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) - XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。
XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。
6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文 参考訳（メタデータ） (2023-10-09T08:07:04Z) - Self-Supervised Learning for Data Scarcity in a Fatigue Damage
Prognostic Problem [0.0]
自己監督学習(Self-Supervised Learning)は、教師なし学習アプローチのサブカテゴリである。
本稿では,未ラベルセンサデータを用いた自己学習型DLモデルの有効性について検討する。
その結果, 自己教師付き事前学習モデルでは, 下流RUL予測タスクにおいて, 非事前学習モデルよりも大幅に優れていることがわかった。
論文 参考訳（メタデータ） (2023-01-20T06:45:32Z) - On-the-fly Denoising for Data Augmentation in Natural Language
Understanding [101.46848743193358]
よりクリーンなオリジナルデータに基づいて訓練された有機教師モデルによって提供されるソフトな拡張ラベルから学習する,データ拡張のためのオンザフライデノケーション手法を提案する。
本手法は,一般的な拡張手法に適用でき,テキスト分類と質問応答の両タスクの性能を一貫して向上させることができる。
論文 参考訳（メタデータ） (2022-12-20T18:58:33Z) - Certifying Data-Bias Robustness in Linear Regression [12.00314910031517]
本稿では, 線形回帰モデルが学習データセットのラベルバイアスに対して, ポイントワイズで損なわれているかどうかを検証する手法を提案する。
この問題を個々のテストポイントに対して正確に解く方法を示し、近似的だがよりスケーラブルな方法を提供する。
また、いくつかのデータセット上の特定のバイアス仮定に対して、高いレベルの非腐食性など、バイアス-腐食性のギャップを掘り下げる。
論文 参考訳（メタデータ） (2022-06-07T20:47:07Z) - ReLearn: A Robust Machine Learning Framework in Presence of Missing Data
for Multimodal Stress Detection from Physiological Signals [5.042598205771715]
マルチモーダル生理学的信号から抽出したバイオマーカーからのストレス検出のための堅牢な機械学習フレームワークであるReLearnを提案する。
ReLearnは、トレーニングと推論フェーズの両方において、欠落したデータと外れ値に効果的に対処する。
提案手法は,50%以上のサンプルが欠落している場合でも,86.8%のクロスバリデーション精度が得られることを示す。
論文 参考訳（メタデータ） (2021-04-29T11:53:01Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z) - Semi-Supervised Models via Data Augmentationfor Classifying Interactive
Affective Responses [85.04362095899656]
本稿では、対話型感情応答を分類する半教師付きテキスト分類システムSMDA(Data Augmentation)を提案する。
ラベル付き文に対しては,ラベル分布の均一化と学習過程における教師付き損失の計算のためにデータ拡張を行った。
ラベルなし文に対しては,ラベルなし文に対する低エントロピー予測を擬似ラベルとして検討した。
論文 参考訳（メタデータ） (2020-04-23T05:02:31Z)
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。