論文の概要: A few-shot learning approach with domain adaptation for personalized real-life stress detection in close relationships

• arxiv url: http://arxiv.org/abs/2210.15247v1
• Date: Thu, 27 Oct 2022 08:08:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 15:49:08.905729
• Title: A few-shot learning approach with domain adaptation for personalized real-life stress detection in close relationships
• Title（参考訳）: 身近な関係における個人的実生活ストレス検出のためのドメイン適応によるマイズショット学習手法
• Authors: Kexin Feng, Jacqueline B. Duong, Kayla E. Carta, Sierra Walters, Gayla Margolin, Adela C. Timmons, Theodora Chaspari
• Abstract要約: 実生活データから人間の成果をモデル化することで得られる計算課題に対処することを目的としたメトリクス学習アプローチを設計する。 提案したメトリック学習は、ターゲットユーザと非ターゲットユーザとの相対的な差を学習する、SNN(Siamese Neural Network)に基づいている。
• 参考スコア（独自算出の注目度）: 6.85888464902041
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We design a metric learning approach that aims to address computational challenges that yield from modeling human outcomes from ambulatory real-life data. The proposed metric learning is based on a Siamese neural network (SNN) that learns the relative difference between pairs of samples from a target user and non-target users, thus being able to address the scarcity of labelled data from the target. The SNN further minimizes the Wasserstein distance of the learned embeddings between target and non-target users, thus mitigating the distribution mismatch between the two. Finally, given the fact that the base rate of focal behaviors is different per user, the proposed method approximates the focal base rate based on labelled samples that lay closest to the target, based on which further minimizes the Wasserstein distance. Our method is exemplified for the purpose of hourly stress classification using real-life multimodal data from 72 dating couples. Results in few-shot and one-shot learning experiments indicate that proposed formulation benefits stress classification and can help mitigate the aforementioned challenges.
• Abstract（参考訳）: 我々は,実生活データから人間の成果をモデル化することで得られる計算課題に対処することを目的とした計量学習アプローチを設計する。 提案したメトリック学習は,ターゲットユーザと非ターゲットユーザのサンプルのペア間の相対的差異を学習し,ターゲットからのラベル付きデータの不足に対処できる,シムズニューラルネットワーク(SNN)に基づく。 SNNはさらに、ターゲットユーザと非ターゲットユーザ間の学習した埋め込みのワッサースタイン距離を最小化し、両者間の分散ミスマッチを緩和する。 最後に,焦点行動のベースレートがユーザ毎に異なることを考慮し,ターゲットに最も近いラベル付きサンプルに基づいて焦点ベースレートを近似し,さらにwasserstein距離を最小化する手法を提案する。 本手法は,72人のデートカップルの実生活マルチモーダルデータを用いた時間的ストレス分類を目的とした。 単発・単発学習実験の結果,提案手法はストレス分類に効果があり,上記の課題を軽減できることが示唆された。

関連論文リスト

• Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning [42.14439854721613]
  本稿では,クラス増分学習シナリオに特化して,ベイズ学習駆動型コントラスト損失(BLCL)を持つプロトタイプネットワークを提案する。 提案手法は,ベイズ学習手法を用いて,クロスエントロピーとコントラスト損失関数のバランスを動的に適用する。
  論文  参考訳（メタデータ） (2024-05-17T19:49:02Z)
• Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
  アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。 効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。 本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T08:12:23Z)
• Optimal Sample Selection Through Uncertainty Estimation and Its Application in Deep Learning [22.410220040736235]
  コアセット選択とアクティブラーニングの両方に対処するための理論的に最適な解を提案する。 提案手法であるCOPSは,サブサンプルデータに基づいてトレーニングされたモデルの損失を最小限に抑えるために設計されている。
  論文  参考訳（メタデータ） (2023-09-05T14:06:33Z)
• Generative multitask learning mitigates target-causing confounding [61.21582323566118]
  マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。 改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。 人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
  論文  参考訳（メタデータ） (2022-02-08T20:42:14Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized Distance [30.452492118887182]
  ドメイン適応とは、ソースデータから学習したモデルを対象データに適用する学習シナリオを指す。 ソースデータとターゲットデータとの分布差は、適応性能に大きく影響する。 多層共役核距離測定値に基づく深層対向領域適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-09T02:32:48Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)
• A Wasserstein Minimum Velocity Approach to Learning Unnormalized Models [28.212776383499868]
  本稿では、これらの目的とワッサーシュタイン勾配流との新たな関係を観測することにより、スコアマッチングを含む学習目的の一般ファミリーにスケーラブルな近似を提示する。
  論文  参考訳（メタデータ） (2020-02-18T11:40:26Z)

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。