論文の概要: Generalization and Personalization of Mobile Sensing-Based Mood Inference Models: An Analysis of College Students in Eight Countries

• arxiv url: http://arxiv.org/abs/2211.03009v1
• Date: Sun, 6 Nov 2022 02:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 12:16:28.628201
• Title: Generalization and Personalization of Mobile Sensing-Based Mood Inference Models: An Analysis of College Students in Eight Countries
• Title（参考訳）: モバイルセンシングに基づく気分推定モデルの一般化とパーソナライゼーション:8カ国の大学生を対象とした分析
• Authors: Lakmal Meegahapola, William Droz, Peter Kun, Amalia de Gotzen, Chaitanya Nutakki, Shyam Diwakar, Salvador Ruiz Correa, Donglei Song, Hao Xu, Miriam Bidoglia, George Gaskell, Altangerel Chagnaa, Amarsanaa Ganbold, Tsolmon Zundui, Carlo Caprini, Daniele Miorandi, Alethia Hume, Jose Luis Zarza, Luca Cernuzzi, Ivano Bison, Marcelo Rodas Britez, Matteo Busso, Ronald Chenu-Abente, Can Gunel, Fausto Giunchiglia, Laura Schelenz, and Daniel Gatica-Perez
• Abstract要約: 8か国678人の参加者から329万件の自己申告を行ったモバイルセンシングデータセットを収集した。 国別(大陸内での訓練・試験)、大陸別(大陸内での訓練・試験)、国別(訓練データでは見られない国で試験)、多国間(複数の国で訓練・試験)のアプローチを評価した。
• 参考スコア（独自算出の注目度）: 8.218081835111912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mood inference with mobile sensing data has been studied in ubicomp literature over the last decade. This inference enables context-aware and personalized user experiences in general mobile apps and valuable feedback and interventions in mobile health apps. However, even though model generalization issues have been highlighted in many studies, the focus has always been on improving the accuracies of models using different sensing modalities and machine learning techniques, with datasets collected in homogeneous populations. In contrast, less attention has been given to studying the performance of mood inference models to assess whether models generalize to new countries. In this study, we collected a mobile sensing dataset with 329K self-reports from 678 participants in eight countries (China, Denmark, India, Italy, Mexico, Mongolia, Paraguay, UK) to assess the effect of geographical diversity on mood inference models. We define and evaluate country-specific (trained and tested within a country), continent-specific (trained and tested within a continent), country-agnostic (tested on a country not seen on training data), and multi-country (trained and tested with multiple countries) approaches trained on sensor data for two mood inference tasks with population-level (non-personalized) and hybrid (partially personalized) models. We show that partially personalized country-specific models perform the best yielding area under the receiver operating characteristic curve (AUROC) scores of the range 0.78-0.98 for two-class (negative vs. positive valence) and 0.76-0.94 for three-class (negative vs. neutral vs. positive valence) inference. Overall, we uncover generalization issues of mood inference models to new countries and how the geographical similarity of countries might impact mood inference.
• Abstract（参考訳）: モバイルセンシングデータを用いたムード推論は、過去10年間、ubicompの文献で研究されてきた。 この推論は、一般的なモバイルアプリにおけるコンテキスト認識とパーソナライズされたユーザエクスペリエンス、およびモバイルヘルスアプリにおける貴重なフィードバックと介入を可能にする。 しかしながら、多くの研究でモデル一般化の問題が強調されているにもかかわらず、異なるセンシングモダリティと機械学習技術を用いて、均質な集団でデータセットを収集し、モデルの精度を向上させることに常に焦点が当てられている。 対照的に、モデルが新しい国に一般化するかどうかを評価するために、ムード推論モデルの性能に関する研究にはあまり注意が払われていない。 本研究では,8か国 (中国, デンマーク, インド, イタリア, メキシコ, モンゴル, パラグアイ, 英国) の678人を対象に, 地理的多様性が気分推定モデルに及ぼす影響を評価するために, モバイルセンシングデータセットを収集した。 国別(国内で訓練・試験)、大陸別(大陸で訓練・試験)、国別(訓練データでは見つからない国で試験)、多国間(複数の国で訓練・試験)のアプローチを、人口レベル(非個人化)とハイブリッド(一部パーソナライズ)の2つのモデルを用いて、センサデータに基づいて訓練した。 部分パーソナライズされた国別モデルでは,2クラス(負値対正値)の0.78-0.98,3クラス(負値対中値)の0.76-0.94,3クラス(負値対正値)の0.76-0.94に対して,レシーバ動作特性曲線(AUROC)のスコアが最も高い収率を示す。 総じて、新しい国へのムード推論モデルの一般化問題と、各国の地理的類似性がムード推論にどのように影響するかを明らかにする。

関連論文リスト

• Towards Geographic Inclusion in the Evaluation of Text-to-Image Models [25.780536950323683]
  我々は,アフリカ,ヨーロッパ,東南アジアにおけるアノテータの地理的表現,視覚的魅力,実画像および生成画像の一貫性に対する認識の程度について検討した。 例えば、異なる場所のアノテータは、地理的に代表的であると見なされる領域の誇張されたステレオタイプ的な描写について、しばしば意見が一致しない。 自動評価と人的評価を改善するためのステップを推奨する。
  論文  参考訳（メタデータ） (2024-05-07T16:23:06Z)
• The PRISM Alignment Project: What Participatory, Representative and Individualised Human Feedback Reveals About the Subjective and Multicultural Alignment of Large Language Models [67.38144169029617]
  PRISMは,75か国から1500人の多様な参加者を対象に,社会デマトグラフィーをマッピングし,嗜好を提示する新しいデータセットである。 PRISMは、(i)ヒトのフィードバックデータにおける地理的および人口統計学的関与、(ii)集団福祉(UKとUS)を理解するための2つの国勢調査表現サンプル、(iii)全ての評価が詳細な参加者プロファイルに関連付けられている個別化されたフィードバックに寄与する。
  論文  参考訳（メタデータ） (2024-04-24T17:51:36Z)
• Exposing Bias in Online Communities through Large-Scale Language Models [3.04585143845864]
  この研究は、言語モデルにおけるバイアスの欠陥を使用して、6つの異なるオンラインコミュニティのバイアスを調査します。 得られたモデルのバイアスは、異なる人口層を持つモデルに促し、これらの世代における感情と毒性の値を比較することで評価される。 この作業は、トレーニングデータからバイアスがどの程度容易に吸収されるかを確認するだけでなく、さまざまなデータセットやコミュニティのバイアスを特定し比較するためのスケーラブルな方法も提示する。
  論文  参考訳（メタデータ） (2023-06-04T08:09:26Z)
• Learning About Social Context from Smartphone Data: Generalization Across Countries and Daily Life Moments [5.764112063319108]
  5か国581人の若者から収集した216万件以上の自己申告データを用いて,新しい,大規模,マルチモーダルなスマートフォンセンシングデータセットを使用した。 いくつかのセンサは社会的文脈に影響を与えており、部分的にパーソナライズされたマルチカントリーモデル(すべての国からのデータでトレーニングおよびテスト)と国固有のモデル(国内でトレーニングおよびテスト)は、90%のAUC以上で同様のパフォーマンスを達成することができる。 これらの結果は、異なる国における社会的文脈推論モデルをよりよく理解するために、モバイルデータの多様性の重要性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-01T17:20:56Z)
• Inferring Mood-While-Eating with Smartphone Sensing and Community-Based Model Personalization [4.245223529153532]
  携帯電話のセンサデータは、食行動と気分の両方を、モバイル食日記とモバイル健康アプリケーションという文脈で独立して特徴付けるために使われてきた。 以上の結果から, 一般的な気分推定モデルでは, 摂食など特定の文脈での性能が低下することが示唆された。 これらの制約に対処するために,類似ユーザから対象ユーザへのデータを用いたモデルを構築することにより,新たなコミュニティベースのパーソナライズ手法を採用した。
  論文  参考訳（メタデータ） (2023-06-01T14:24:10Z)
• Bridging the Gap: A Survey on Integrating (Human) Feedback for Natural Language Generation [68.9440575276396]
  この調査は、人間のフィードバックを利用して自然言語生成を改善した最近の研究の概要を提供することを目的としている。 まず、フィードバックの形式化を包括的に導入し、この形式化に続いて既存の分類学研究を特定・整理する。 第二に、フィードバックを形式や目的によってどのように記述するかを議論し、フィードバック(トレーニングやデコード)を直接使用したり、フィードバックモデルをトレーニングしたりするための2つのアプローチについて取り上げる。 第3に、AIフィードバックの生まれたばかりの分野の概要を紹介します。これは、大きな言語モデルを利用して、一連の原則に基づいて判断し、必要最小限にします。
  論文  参考訳（メタデータ） (2023-05-01T17:36:06Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• On the limits of algorithmic prediction across the globe [4.392517231156947]
  米国のデータに基づいてトレーニングされた最先端の機械学習モデルは、高い精度で達成を予測でき、同等の精度で他の先進国に一般化できる。 同じモデルを全国データでトレーニングすると、各国で高い精度が得られ、ローカルデータ収集の価値が強調される。
  論文  参考訳（メタデータ） (2021-03-28T19:53:18Z)
• LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
  コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。 クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。 毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
  論文  参考訳（メタデータ） (2020-10-06T16:42:51Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)
• Think Locally, Act Globally: Federated Learning with Local and Global Representations [92.68484710504666]
  フェデレートラーニング(Federated Learning)とは、複数のデバイスに分散したプライベートデータ上でモデルをトレーニングする手法である。 本稿では,各デバイス上でコンパクトな局所表現を共同で学習する新しいフェデレーション学習アルゴリズムを提案する。 また、プライバシが鍵となる実世界のモバイルデータから、パーソナライズされた気分予測のタスクを評価する。
  論文  参考訳（メタデータ） (2020-01-06T12:40:21Z)

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。