論文の概要: Semi-Supervised Generative Adversarial Network for Stress Detection
Using Partially Labeled Physiological Data
- arxiv url: http://arxiv.org/abs/2206.14976v1
- Date: Thu, 30 Jun 2022 01:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-02 05:15:17.354313
- Title: Semi-Supervised Generative Adversarial Network for Stress Detection
Using Partially Labeled Physiological Data
- Title（参考訳）: 部分ラベル付生理データを用いたストレス検出のための半教師付き生成逆数ネットワーク
- Authors: Nibraas Khan
- Abstract要約: 半スーパービジョンアルゴリズムは、安価な感情状態検出システムのための実行可能な方法である。
本稿では, ストレス検出のための WESAD (Wearable Stress and Affect Detection) データセット上で, 完全教師付きアルゴリズムとSSLを比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physiological measurements involves observing variables that attribute to the
normative functioning of human systems and subsystems directly or indirectly.
The measurements can be used to detect affective states of a person with aims
such as improving human-computer interactions. There are several methods of
collecting physiological data, but wearable sensors are a common, non-invasive
tool for accurate readings. However, valuable information is hard to extract
from the raw physiological data, especially for affective state detection.
Machine Learning techniques are used to detect the affective state of a person
through labeled physiological data. A clear problem with using labeled data is
creating accurate labels. An expert is needed to analyze a form of recording of
participants and mark sections with different states such as stress and calm.
While expensive, this method delivers a complete dataset with labeled data that
can be used in any number of supervised algorithms. An interesting question
arises from the expensive labeling: how can we reduce the cost while
maintaining high accuracy? Semi-Supervised learning (SSL) is a potential
solution to this problem. These algorithms allow for machine learning models to
be trained with only a small subset of labeled data (unlike unsupervised which
use no labels). They provide a way of avoiding expensive labeling. This paper
compares a fully supervised algorithm to a SSL on the public WESAD (Wearable
Stress and Affect Detection) Dataset for stress detection. This paper shows
that Semi-Supervised algorithms are a viable method for inexpensive affective
state detection systems with accurate results.
- Abstract（参考訳）: 生理学的測定は、ヒトのシステムとサブシステムの通常の機能に属する変数を直接的または間接的に観察する。
この測定は、人間とコンピュータの相互作用を改善することを目的とした人の感情状態を検出するために使用することができる。
生理的データを集める方法はいくつかあるが、ウェアラブルセンサーは正確な読み取りのための一般的な非侵襲的ツールである。
しかし、生の生理データ、特に情緒的状態検出から貴重な情報を抽出することは困難である。
機械学習技術は、ラベル付き生理データを通じて人の感情状態を検出するために使用される。
ラベル付きデータを使用する際の明らかな問題は、正確なラベルの作成である。
専門家は、参加者の記録形式を分析し、ストレスや落ち着きなどの異なる状態のセクションをマークする必要がある。
費用はかかるが、この手法は教師付きアルゴリズムで使用できるラベル付きデータを含む完全なデータセットを提供する。
高価なラベル付けから、興味深い疑問が生まれている。 正確性を維持しながら、どのようにコストを削減できるのか?
Semi-Supervised Learning (SSL)は、この問題に対する潜在的な解決策である。
これらのアルゴリズムは、ラベル付きデータの小さなサブセットでのみ機械学習モデルをトレーニングすることができる(ラベルを使用しない教師なしの非教師)。
これらは高価なラベリングを避ける方法を提供する。
本稿では, ストレス検出のための WESAD (Wearable Stress and Affect Detection) データセット上で, 完全教師付きアルゴリズムとSSLを比較した。
本報告では, 半教師付きアルゴリズムが, 精度の高い安価な感情状態検出システムに有効な方法であることを示す。
関連論文リスト
- Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - Enhancement of Healthcare Data Performance Metrics using Neural Network
Machine Learning Algorithms [0.3058685580689604]
サンプリングレートと送信レートを調整することで制御できる効率と精度のトレードオフがある。
本稿では、機械学習が複雑な健康データメトリクスの分析に利用できることを示す。
Levenbery-Marquardtアルゴリズムは3.33の効率と79.17%の精度で最高の性能を発揮した。
論文 参考訳（メタデータ） (2022-01-16T04:08:07Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - 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) - Matching the Clinical Reality: Accurate OCT-Based Diagnosis From Few
Labels [2.891413712995642]
ラベルのないデータはクリニックで多用されることが多く、半教師付き学習に基づく機械学習手法がこの設定に適している。
最近提案されたMixMatchアルゴリズムとFixMatchアルゴリズムは有用な表現を抽出する有望な結果を証明している。
いずれのアルゴリズムも、ラベル付きデータの全ての部分において、転送学習ベースラインを上回ります。
論文 参考訳（メタデータ） (2020-10-23T11:47:28Z) - Deep Learning from Small Amount of Medical Data with Noisy Labels: A
Meta-Learning Approach [0.0]
コンピュータビジョンシステムは、適切にトレーニングするために、正しくラベル付けされた大きなデータセットを必要とする。
医療画像データセットは通常小さく、各データは学習において非常に重要である。
本稿ではメタラーニングパラダイムを利用したラベルノイズ・ロバスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-14T10:39:44Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - DEAL: Deep Evidential Active Learning for Image Classification [0.0]
アクティブラーニング(AL)は、限られたラベル付きデータの問題を緩和するためのアプローチである。
CNNの最近のAL手法は、ラベル付けするインスタンスの選択に異なる解決策を提案する。
本稿では,ラベルのないデータから高い予測不確かさを捕捉して効率よく学習する新しいALアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-22T11:14:23Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-11T21:08:06Z)
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。