論文の概要: Feature Selection Approaches for Optimising Music Emotion Recognition
Methods
- arxiv url: http://arxiv.org/abs/2212.13369v1
- Date: Tue, 27 Dec 2022 05:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 16:31:40.373191
- Title: Feature Selection Approaches for Optimising Music Emotion Recognition
Methods
- Title(参考訳): 音楽感情認識の最適化のための特徴選択手法
- Authors: Le Cai, Sam Ferguson, Haiyan Lu and Gengfa Fang
- Abstract要約: 特徴選択アルゴリズム(FSA)に基づいて選択された特徴集合(SFS)を作成し、2つのモデルでトレーニングすることでベンチマークを行った。
その結果,SFSを用いたランダムフォレスト(RF)モデルとサポートベクトル回帰(SVR)モデルの両方において,MERの性能が向上したことが示唆された。
- 参考スコア(独自算出の注目度): 4.919568040227012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The high feature dimensionality is a challenge in music emotion recognition.
There is no common consensus on a relation between audio features and emotion.
The MER system uses all available features to recognize emotion; however, this
is not an optimal solution since it contains irrelevant data acting as noise.
In this paper, we introduce a feature selection approach to eliminate redundant
features for MER. We created a Selected Feature Set (SFS) based on the feature
selection algorithm (FSA) and benchmarked it by training with two models,
Support Vector Regression (SVR) and Random Forest (RF) and comparing them
against with using the Complete Feature Set (CFS). The result indicates that
the performance of MER has improved for both Random Forest (RF) and Support
Vector Regression (SVR) models by using SFS. We found using FSA can improve
performance in all scenarios, and it has potential benefits for model
efficiency and stability for MER task.
- Abstract(参考訳): 高い特徴次元は音楽感情認識における課題である。
音声特徴と感情の関係について共通する意見は存在しない。
MERシステムは感情を認識するために利用可能なすべての機能を使用するが、ノイズとして機能する無関係なデータを含むため、これは最適な解決策ではない。
本稿では,MERの冗長な特徴を排除するための特徴選択手法を提案する。
特徴選択アルゴリズム(FSA)に基づいて選択された特徴集合(SFS)を作成し、SVR(Support Vector Regression)とRF(Random Forest)の2つのモデルでトレーニングし、完全特徴集合(CFS)と比較した。
その結果,SFSを用いたランダムフォレスト(RF)モデルとサポートベクトル回帰(SVR)モデルの両方において,MERの性能が向上したことが示された。
FSAを使うことですべてのシナリオのパフォーマンスが向上し、MERタスクのモデル効率と安定性に潜在的なメリットが得られます。
関連論文リスト
- AFS-BM: Enhancing Model Performance through Adaptive Feature Selection
with Binary Masking [0.0]
連立マスキングによる適応的特徴選択(AFS-BM)について紹介する
トレーニングプロセス中に特徴セットとモデルパラメータを継続的に適応するために、共同最適化とバイナリマスキングを実施します。
以上の結果から,AFS-BMの精度は大幅に向上し,計算量も大幅に削減された。
論文 参考訳(メタデータ) (2024-01-20T15:09:41Z) - FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated
Learning [21.79965380400454]
Vertical Learning(VFL)は、複数のデータオーナに対して、大きな重複するデータサンプルセットに関する機能のサブセットをそれぞれ保持して、有用なグローバルモデルを共同でトレーニングすることを可能にする。
VFLのために設計された既存のFSは、ノイズの多い特徴の数について事前知識を仮定するか、有用な特徴の訓練後のしきい値について事前知識を仮定する。
本稿では,FedSDG-FS(Federated Dual-Gate Based Feature Selection)アプローチを提案する。
論文 参考訳(メタデータ) (2023-02-21T03:09:45Z) - Multi-Point Integrated Sensing and Communication: Fusion Model and
Functionality Selection [99.67715229413986]
本稿では,複数のISACデバイスからの出力を融合させて高感度化を実現する多点ISAC(MPISAC)システムを提案する。
我々は,仮説テストと最適投票分析により,融合精度を予測する融合モデルを採用する。
論文 参考訳(メタデータ) (2022-08-16T08:09:54Z) - A-SFS: Semi-supervised Feature Selection based on Multi-task
Self-supervision [1.3190581566723918]
機能選択問題に深層学習に基づく自己教師機構を導入する。
バッチベースの特徴選択パターンに従って特徴量を生成するために、バッチアテンション機構が設計されている。
実験の結果,ほとんどのデータセットにおいてA-SFSが最も精度が高いことがわかった。
論文 参考訳(メタデータ) (2022-07-19T04:22:27Z) - FeaRLESS: Feature Refinement Loss for Ensembling Self-Supervised
Learning Features in Robust End-to-end Speech Recognition [34.40924909515384]
エンド・ツー・エンド(E2E)ASRモデルにおける様々な融合手法を用いた多様なSSLR組合せの有効性について検討する。
提案した「FeaRLESS学習機能」は,WSJとFearless Steps Challenge(FSC)のコーパスにおいて,機能改善を伴わないシステムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-30T06:39:40Z) - VFDS: Variational Foresight Dynamic Selection in Bayesian Neural
Networks for Efficient Human Activity Recognition [81.29900407096977]
変動予測動的選択(VFDS)は、観測する次の機能サブセットを選択するポリシーを学ぶ。
本稿では,その実践においてパフォーマンスコストのトレードオフが重要となるヒューマンアクティビティ認識(HAR)タスクに,VFDSを適用した。
論文 参考訳(メタデータ) (2022-03-31T22:52:43Z) - Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。
この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。
本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
論文 参考訳(メタデータ) (2021-09-01T07:01:33Z) - Lightweight Single-Image Super-Resolution Network with Attentive
Auxiliary Feature Learning [73.75457731689858]
本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。
大規模データセットを用いた実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-11-13T06:01:46Z) - Optimizing Speech Emotion Recognition using Manta-Ray Based Feature
Selection [1.4502611532302039]
既存の特徴抽出手法を用いて抽出した特徴の連結により,分類精度が向上することを示す。
また,音声感情認識タスクにおけるマンタレイ最適化の新たな応用を行い,その結果を得た。
論文 参考訳(メタデータ) (2020-09-18T16:09:34Z) - RGB-D Salient Object Detection with Cross-Modality Modulation and
Selection [126.4462739820643]
本稿では, RGB-D Salient Object Detection (SOD) において, モジュール間相補性を段階的に統合し, 改良する有効な方法を提案する。
提案するネットワークは,1)RGB画像とそれに対応する深度マップからの補完情報を効果的に統合する方法,および2)より精度の高い特徴を適応的に選択する方法の2つの課題を主に解決する。
論文 参考訳(メタデータ) (2020-07-14T14:22:50Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳(メタデータ) (2020-03-25T06:53:54Z)
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。