論文の概要: Comparative Study on the Effects of Noise in ML-Based Anxiety Detection
- arxiv url: http://arxiv.org/abs/2306.01110v1
- Date: Thu, 1 Jun 2023 19:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 18:02:34.380296
- Title: Comparative Study on the Effects of Noise in ML-Based Anxiety Detection
- Title（参考訳）: mlに基づく不安検出における騒音の影響の比較研究
- Authors: Samuel Schapiro, Abdul Alkurdi, Elizabeth Hsiao-Wecksler
- Abstract要約: ノイズがモデル性能にどのように影響するかを考察し、ノイズの多い実環境に頑健なモデルを開発する。
生理的覚醒のレベルを分類する機械学習モデルにおいて,様々なノイズの強度が与える影響を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable health devices are ushering in a new age of continuous and
noninvasive remote monitoring. One application of this technology is in anxiety
detection. Many advancements in anxiety detection have happened in controlled
lab settings, but noise prevents these advancements from generalizing to
real-world conditions. We seek to progress the field by studying how noise
impacts model performance and developing models that are robust to noisy,
real-world conditions and, hence, attuned to the commotion of everyday life. In
this study we look to investigate why and how previous methods have failed.
Using the wearable stress and affect detection (WESAD) dataset, we compare the
effect of various intensities of noise on machine learning models classifying
levels of physiological arousal in the three-class classification problem:
baseline vs. stress vs. amusement. Before introducing noise, our baseline model
performance reaches 98.7%, compared to Schmidt 2018's 80.3%. We discuss
potential sources of this discrepancy in results through a careful evaluation
of feature extraction and model architecture choices. Finally, after the
introduction of noise, we provide a thorough analysis of the effect of noise on
each model architecture.
- Abstract（参考訳）: ウェアラブルな健康デバイスは、継続的かつ非侵襲的な遠隔監視の新時代を支えている。
この技術の応用の一つは不安検出である。
コントロールされたラボ環境では、不安検出の多くの進歩が起きているが、ノイズはこれらの進歩が現実の状況に一般化することを妨げている。
我々は,騒音がモデル性能に与える影響を検証し,ノイズの多い実環境にロバストなモデルを開発し,それゆえ日常生活の混乱に合わせたモデルを開発することにより,この分野の進展を目指す。
本研究では,従来の手法が失敗した理由と方法を検討する。
ウェアラブルストレスと影響検出(wesad)データセットを用いて,3つの分類問題における生理的覚醒レベルを分類する機械学習モデルに対する,さまざまなノイズ強度の影響を比較した。
ノイズを導入する前に、私たちのベースラインモデルのパフォーマンスは98.7%に達し、schmidt 2018の80.3%と比較した。
本稿では,特徴抽出とモデルアーキテクチャの選択を慎重に評価することで,この相違点の可能性について論じる。
最後に、ノイズの導入後、各モデルアーキテクチャに対するノイズの影響を徹底的に分析する。
関連論文リスト
- Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation [55.752737615873464]
本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。
この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。
論文 参考訳（メタデータ） (2024-10-18T02:31:36Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Effect of Batch Normalization on Noise Resistant Property of Deep
Learning Models [3.520496620951778]
モデルの重みに変化をもたらすアナログノイズの存在が、ディープラーニングモデルの性能劣化を引き起こすという懸念がある。
本研究では,一般的なバッチ正規化層がディープラーニングモデルの耐雑音性に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2022-05-15T20:10:21Z) - Impact of Learning Rate on Noise Resistant Property of Deep Learning
Models [3.520496620951778]
この研究は、まず異なる学習率を用いてディープラーニングモデルを訓練することで達成される。
アナログノイズによる性能劣化の測定により, 結果モデルの耐雑音性について検討した。
その結果,モデル予測性能とモデル雑音耐性特性とのバランスが良好である学習速度値のスイートスポットが存在することがわかった。
論文 参考訳（メタデータ） (2022-05-08T00:16:09Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Causal Identification with Additive Noise Models: Quantifying the Effect
of Noise [5.037636944933989]
本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。
加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。
実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
論文 参考訳（メタデータ） (2021-10-15T13:28:33Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。
最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。
本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
論文 参考訳（メタデータ） (2021-01-19T02:04:00Z)
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。