論文の概要: A Survey on Personalized Affective Computing in Human-Machine Interaction

• arxiv url: http://arxiv.org/abs/2304.00377v1
• Date: Sat, 1 Apr 2023 19:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 18:25:28.602707
• Title: A Survey on Personalized Affective Computing in Human-Machine Interaction
• Title（参考訳）: 人-機械相互作用における個人化感情計算に関する研究
• Authors: Jialin Li, Alia Waleed, Hanan Salam
• Abstract要約: コンピューティングにおいて、パーソナライズの目的は、特定の個人またはグループを対象とするモデルをトレーニングすることである。 本稿では、感情コンピューティングにおけるパーソナライズのための最先端のアプローチについて調査する。
• 参考スコア（独自算出の注目度）: 1.4502611532302039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computing, the aim of personalization is to train a model that caters to a specific individual or group of people by optimizing one or more performance metrics and adhering to specific constraints. In this paper, we discuss the need for personalization in affective and personality computing (hereinafter referred to as affective computing). We present a survey of state-of-the-art approaches for personalization in affective computing. Our review spans training techniques and objectives towards the personalization of affective computing models. We group existing approaches into seven categories: (1) Target-specific Models, (2) Group-specific Models, (3) Weighting-based Approaches, (4) Fine-tuning Approaches, (5) Multitask Learning, (6) Generative-based Models, and (7) Feature Augmentation. Additionally, we provide a statistical meta-analysis of the surveyed literature, analyzing the prevalence of different affective computing tasks, interaction modes, interaction contexts, and the level of personalization among the surveyed works. Based on that, we provide a road-map for those who are interested in exploring this direction.
• Abstract（参考訳）: パーソナライゼーション(パーソナライゼーション)の目標は、1つ以上のパフォーマンスメトリクスを最適化し、特定の制約に固執することで、特定の個人やグループに対応するモデルを訓練することである。 本稿では,情緒・人格計算におけるパーソナライズの必要性について論じる(以下「情緒コンピューティング」という)。 本稿では,感情コンピューティングにおけるパーソナライゼーションの最先端手法に関する調査を行う。 本稿は,情緒的コンピューティングモデルのパーソナライゼーションに向けたトレーニング手法と目標について述べる。 既存のアプローチは,(1)目標固有モデル,(2)グループ固有モデル,(3)重みに基づくアプローチ,(4)微調整アプローチ,(5)マルチタスク学習,(6)生成ベースモデル,(7)特徴拡張という7つのカテゴリに分類される。 さらに,調査対象文献の統計的メタ分析を行い,異なる情緒的タスク,インタラクションモード,インタラクションコンテキスト,パーソナライゼーションのレベルについて分析した。 それに基づいて、この方向を探究したい人のために、ロードマップを提供します。

関連論文リスト

• Human Action Anticipation: A Survey [86.415721659234]
  行動予測に関する文献は、行動予測、活動予測、意図予測、目標予測など、様々なタスクにまたがる。 我々の調査は、この断片化された文献を結びつけることを目的としており、最近の技術革新とモデルトレーニングと評価のための新しい大規模データセットの開発をカバーしています。
  論文  参考訳（メタデータ） (2024-10-17T21:37:40Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  社会実践, 一貫性, 動的発達という, 心理学に根ざした個性の原則を統合したPersLLMを提案する。 モデルパラメータに直接パーソナリティ特性を組み込み、誘導に対するモデルの抵抗性を高め、一貫性を高め、パーソナリティの動的進化を支援する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Multi-Task Learning for Affect Analysis [0.0]
  本研究は,同じ問題に対するユニタスク・ソリューションとマルチタスク・アプローチの2つの主要なアプローチについて検討する。 このプロジェクトは既存のニューラルネットワークアーキテクチャを活用し、出力層と損失関数を変更することでマルチタスク学習に適応する。 この研究は、医療、マーケティング、人間とコンピュータの相互作用にまたがるアプリケーションによって、感情コンピューティングの急成長する分野に貢献することを目指している。
  論文  参考訳（メタデータ） (2024-06-30T12:36:37Z)
• Deep Learning for Human Parsing: A Survey [54.812353922568995]
  本研究では,人間の意味解析の先駆的な研究の幅広い範囲を網羅する,最先端の人間の構文解析手法の解析を行う。 1) 構造駆動型アーキテクチャは,人体の異なる部分と固有の階層構造を生かし,(2) グラフベースのネットワークは,効率的で完全な人体分析を実現するためにグローバルな情報を捉え,(3) コンテキスト認識ネットワークは,対応するクラスのピクセルを特徴付けるために,すべてのピクセルにわたって有用なコンテキストを探索し,(4) LSTMベースの手法は,短距離と長距離空間の依存関係を結合して,豊富な局所的・グローバルなコンテキストをうまく活用することができる。
  論文  参考訳（メタデータ） (2023-01-29T10:54:56Z)
• A Survey of Human-in-the-loop for Machine Learning [7.056132067948671]
  Human-in-the-loopは、人間の知識と経験を統合することで、最小限のコストで正確な予測モデルをトレーニングすることを目的としている。 本調査は,ループ内人間に対する高レベルな要約を提供することを目的としており,有効なループ内人間ソリューションを設計するためのアプローチを検討することに関心のある読者を動機付けている。
  論文  参考訳（メタデータ） (2021-08-02T14:42:28Z)
• Improving Artificial Teachers by Considering How People Learn and Forget [32.74828727144865]
  本稿では,知的チューリングのための新しいモデルベース手法を提案する。 モデルベースのプランニングは、ユーザメモリモデルのパラメータをインタラクティブに学習することで、最良の介入を選択する。
  論文  参考訳（メタデータ） (2021-02-08T13:05:58Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Model-agnostic Fits for Understanding Information Seeking Patterns in Humans [0.0]
  不確実な意思決定タスクでは、人間はそのタスクに関連する情報を探し、統合し、行動する際、特徴的なバイアスを示す。 ここでは,これらのバイアスを総合的に測定・分類した,大規模に収集した先行設計実験のデータを再検討した。 これらのバイアスを集約的に再現するディープラーニングモデルを設計し、個々の行動の変化を捉えます。
  論文  参考訳（メタデータ） (2020-12-09T04:34:58Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Three Approaches for Personalization with Applications to Federated Learning [68.19709953755238]
  本稿では,パーソナライゼーションの体系的学習理論について述べる。 学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。 全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
  論文  参考訳（メタデータ） (2020-02-25T01:36:43Z)

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。