論文の概要: Perceived personality state estimation in dyadic and small group interaction with deep learning methods

• arxiv url: http://arxiv.org/abs/2211.04979v1
• Date: Wed, 9 Nov 2022 15:51:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 17:58:34.111498
• Title: Perceived personality state estimation in dyadic and small group interaction with deep learning methods
• Title（参考訳）: dyadic と small group interaction におけるパーソナリティ状態推定と深層学習法
• Authors: Kristian Fenech, \'Ad\'am Fodor, Sean P. Bergeron, Rachid R. Saboundji, Catharine Oertel and Andr\'as L\H{o}rincz
• Abstract要約: ダイアディックや小集団の個性の知覚特性を, 相互作用の細いスライスから推定した。 我々のトランスフォーマーに基づく予測モデルは、参加者の認識される5つの大きな性格特性を予測する人間のアノテータと類似していることがわかった。
• 参考スコア（独自算出の注目度）: 0.4200121288877444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dyadic and small group collaboration is an evolutionary advantageous behaviour and the need for such collaboration is a regular occurrence in day to day life. In this paper we estimate the perceived personality traits of individuals in dyadic and small groups over thin-slices of interaction on four multimodal datasets. We find that our transformer based predictive model performs similarly to human annotators tasked with predicting the perceived big-five personality traits of participants. Using this model we analyse the estimated perceived personality traits of individuals performing tasks in small groups and dyads. Permutation analysis shows that in the case of small groups undergoing collaborative tasks, the perceived personality of group members clusters, this is also observed for dyads in a collaborative problem solving task, but not in dyads under non-collaborative task settings. Additionally, we find that the group level average perceived personality traits provide a better predictor of group performance than the group level average self-reported personality traits.
• Abstract（参考訳）: dyadicとsmall groupのコラボレーションは進化的に有利な行動であり、このようなコラボレーションの必要性は日々の生活で定期的に発生する。 本稿では,4つのマルチモーダルデータセット上でのインタラクションのシンスライス上で,dyadic と small group の個人が知覚するパーソナリティ特性を推定する。 我々のトランスフォーマーに基づく予測モデルは、参加者の認識される5つの大きな性格特性を予測する人間のアノテータと類似していることがわかった。 このモデルを用いて、小さなグループやダイナドでタスクを行う個人のパーソナリティ特性を推定する。 置換分析の結果, 協調作業を行う小集団の場合, グループメンバークラスタのパーソナリティが認識される場合, 協調問題解決課題におけるdyadsにおいても, 非協調作業条件下ではdyadsでは観察されない。 さらに,グループレベルの平均的個性特性は,グループレベルの平均的自己報告的個性特性よりもグループパフォーマンスの予測に優れていた。

関連論文リスト

• Social Processes: Probabilistic Meta-learning for Adaptive Multiparty Interaction Forecasting [3.9134031118910264]
  社会プロセス(SP)モデルを導入し、全てのグループメンバーに対して、将来のマルチモーダルキューの分布を予測する。 また,現実的な合成データセットを用いて,SPモデルの出力および潜時空間における一般化能力を解析した。
  論文  参考訳（メタデータ） (2025-01-03T17:34:53Z)
• Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction [14.009392073139441]
  本稿では,GrouP ConCeption(GPCC)モデルを提案する。 GPCCモデルでは、軌道予測精度が大幅に向上し、社会的・個人的ダイナミクスをモデル化する上での有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-03T11:47:33Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Personality-aware Human-centric Multimodal Reasoning: A New Task, Dataset and Baselines [32.82738983843281]
  我々はPersonality-aware Human-centric Multimodal Reasoning (PHMR) (T1)と呼ばれる新しいタスクを導入する。 課題は、過去の事例から得たマルチモーダル情報を用いて、個性要素を統合しながら、特定の個人の将来行動を予測することである。 実験の結果,性格特性を取り入れることで,人間中心の多モーダル推論性能が向上することが示された。
  論文  参考訳（メタデータ） (2023-04-05T09:09:10Z)
• Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
  本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。 チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-10-17T07:16:44Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Deep reinforcement learning models the emergent dynamics of human cooperation [13.425401489679583]
  実験では、社会的認知メカニズムが集団行動の場所と時期にどのように貢献するかを明かすことができなかった。 我々は,多エージェントの深層強化学習を活用し,社会認知メカニズム,特に,評価の高い集団行動を達成するための本質的な動機をモデル化する。
  論文  参考訳（メタデータ） (2021-03-08T18:58:40Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。