論文の概要: Probabilistic Formal Modelling to Uncover and Interpret Interaction Styles

• arxiv url: http://arxiv.org/abs/2305.01656v1
• Date: Mon, 1 May 2023 21:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-05-04 17:17:34.697404
• Title: Probabilistic Formal Modelling to Uncover and Interpret Interaction Styles
• Title（参考訳）: 相互作用スタイルの解明と解釈のための確率的形式モデリング
• Authors: Oana Andrei, Muffy Calder, Matthew Chalmers, Alistair Morrison
• Abstract要約: 本稿では,モバイルアプリのインタラクションスタイルを明らかにするために,新しい計算手法を提案する。 データセットはログされたユーザトレースであり、各バージョンで2つの6ヶ月のデプロイメントで収集される。 どちらのバージョンも、使用初日/週/月、および第2および第3月の間に、ユーザが採用するスタイルを明確に区別した。
• 参考スコア（独自算出の注目度）: 2.752817022620644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a study using new computational methods, based on a novel combination of machine learning for inferring admixture hidden Markov models and probabilistic model checking, to uncover interaction styles in a mobile app. These styles are then used to inform a redesign, which is implemented, deployed, and then analysed using the same methods. The data sets are logged user traces, collected over two six-month deployments of each version, involving thousands of users and segmented into different time intervals. The methods do not assume tasks or absolute metrics such as measures of engagement, but uncover the styles through unsupervised inference of clusters and analysis with probabilistic temporal logic. For both versions there was a clear distinction between the styles adopted by users during the first day/week/month of usage, and during the second and third months, a result we had not anticipated.
• Abstract（参考訳）: 本稿では,モバイルアプリのインタラクションスタイルを明らかにするために,隠れマルコフモデルと確率論的モデルチェックを推論するための機械学習の新たな組み合わせを応用した新しい計算手法を提案する。 これらのスタイルは、再設計を通知するために使用され、同じメソッドを使用して実装、デプロイ、分析される。 データセットはログされたユーザトレースであり、各バージョンの6ヶ月のデプロイメントで収集され、数千のユーザが関与し、異なる時間間隔に分割される。 この手法は、エンゲージメントの尺度のようなタスクや絶対的なメトリクスを仮定しないが、クラスタの教師なし推論と確率論的時間論理による分析によってスタイルを明らかにする。 どちらのバージョンも、使用初日/週/月の間にユーザによって採用されるスタイルと、第2と第3の月の間には明確な違いがありました。

関連論文リスト

• Learning Discriminative Spatio-temporal Representations for Semi-supervised Action Recognition [23.44320273156057]
  本稿では,適応コントラスト学習(ACL)戦略とマルチスケールテンポラル学習(MTL)戦略を提案する。 ACL戦略は、ラベル付きデータのクラスプロトタイプにより、全ての未ラベルサンプルの信頼性を評価し、擬ラベル付きサンプルバンクから正負のサンプルを適応的に選択し、コントラスト学習を構築する。 MTL戦略は、長期クリップからの情報的意味を強調し、ノイズ情報を抑制しながら、それらを短期クリップに統合する。
  論文  参考訳（メタデータ） (2024-04-25T08:49:08Z)
• Stylist: Style-Driven Feature Ranking for Robust Novelty Detection [8.402607231390606]
  本稿では,タスクに関連する意味的・内容的変化と,無関係なスタイル的変化に分離する形式化を提案する。 この形式化の中で、ロバストな新規性検出を、スタイルの分布シフトに頑健でありながら意味的変化を見つけるタスクとして定義する。 提案手法は, 相関関係に係わる特徴を除去し, 新規検出性能を向上することを示す。
  論文  参考訳（メタデータ） (2023-10-05T17:58:32Z)
• Sample and Predict Your Latent: Modality-free Sequential Disentanglement via Contrastive Estimation [2.7759072740347017]
  外部信号のないコントラスト推定に基づく自己教師付きシーケンシャル・アンタングルメント・フレームワークを提案する。 実際に,データのセマンティックに類似し,異種なビューに対して,統一的で効率的かつ容易にサンプリングできる手法を提案する。 提案手法は,既存の手法と比較して最先端の結果を示す。
  論文  参考訳（メタデータ） (2023-05-25T10:50:30Z)
• Predicting students' learning styles using regression techniques [0.4125187280299248]
  オンライン学習は、学習者とインストラクターの相互作用が最小限であるため、パーソナライズ法を必要とする。 パーソナライズ手法の1つは、学習者の学習スタイルを検出することである。 学習者が支配的なスタイルや学習スタイルが混在していない場合、現在の検出モデルは効果がない。
  論文  参考訳（メタデータ） (2022-09-12T16:04:51Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Learning Personalized Item-to-Item Recommendation Metric via Implicit Feedback [24.37151414523712]
  本稿では,暗黙のフィードバックによるメトリクス学習の新しい視点から,レコメンデーションシステムにおける項目間推薦問題について検討する。 本研究では,アイテムの内部コンテンツとユーザによるインタラクションの両方をキャプチャする,パーソナライズ可能なディープメトリックモデルを開発し,検討する。
  論文  参考訳（メタデータ） (2022-03-18T18:08:57Z)
• Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention [56.46649994444616]
  マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。 私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
  論文  参考訳（メタデータ） (2022-02-12T00:32:22Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation [12.386304516106854]
  自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。 これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。 本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
  論文  参考訳（メタデータ） (2020-08-19T05:32:14Z)
• 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。