論文の概要: Generation of Probabilistic Synthetic Data for Serious Games: A Case
Study on Cyberbullying
- arxiv url: http://arxiv.org/abs/2306.01365v1
- Date: Fri, 2 Jun 2023 08:43:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 16:04:41.034332
- Title: Generation of Probabilistic Synthetic Data for Serious Games: A Case
Study on Cyberbullying
- Title（参考訳）: シリアスゲームのための確率的合成データの生成:サイバーいじめを事例として
- Authors: Jaime P\'erez, Mario Castro, Gregorio L\'opez
- Abstract要約: 本稿では,対話型ナラティブに基づく真剣なゲームのための確率論的合成データを生成するシミュレーターアーキテクチャを提案する。
質問に対する合成プレイヤーのインタラクションをシミュレートするために,項目応答理論フレームワークに基づく認知的テストモデルを用いる。
また、確率的グラフィカルモデルを用いて、シミュレーションに専門家の知識と外部データを導入する方法を示す。
- 参考スコア（独自算出の注目度）: 0.18416014644193063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic data generation has been a growing area of research in recent
years. However, its potential applications in serious games have not been
thoroughly explored. Advances in this field could anticipate data modelling and
analysis, as well as speed up the development process. The COVID-19 pandemic
has enlarged such a phenomenon, To try to fill this gap in the literature, we
propose a simulator architecture for generating probabilistic synthetic data
for serious games based on interactive narratives. This architecture is
designed to be generic and modular so that it can be used by other researchers
on similar problems. To simulate the interaction of synthetic players with
questions, we use a cognitive testing model based on the Item Response Theory
framework. We also show how probabilistic graphical models (in particular
Bayesian networks) can be used to introduce expert knowledge and external data
into the simulation. Finally, we apply the proposed architecture and methods in
a use case of a serious game focused on cyberbullying. We perform Bayesian
inference experiments using a hierarchical model to demonstrate the
identifiability and robustness of the generated data.
- Abstract（参考訳）: 合成データ生成は近年、研究の領域として成長している。
しかし、本格的ゲームに応用される可能性はまだ十分に検討されていない。
この分野の進歩は、データモデリングと分析を予測し、開発プロセスをスピードアップする可能性がある。
新型コロナウイルス(covid-19)のパンデミックはこのような現象を拡大し、文献にこのギャップを埋めようと、対話的な物語に基づいたシリアスゲームのための確率的合成データを生成するシミュレーターアーキテクチャを提案する。
このアーキテクチャは、他の研究者が同様の問題を解決するために、汎用的でモジュール化された設計である。
質問に対する合成プレイヤーのインタラクションをシミュレートするために,項目応答理論フレームワークに基づく認知的テストモデルを用いる。
また,確率的グラフィカルモデル(特にベイズネットワーク)を用いて,シミュレーションに専門家の知識と外部データを導入する方法を示す。
最後に,サイバーいじめに焦点を当てた本格的ゲームにおいて,提案するアーキテクチャと手法を適用した。
階層モデルを用いてベイズ推定実験を行い、生成したデータの識別性と堅牢性を示す。
関連論文リスト
- Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - zGAN: An Outlier-focused Generative Adversarial Network For Realistic Synthetic Data Generation [0.0]
ブラックスワン」は古典的な機械学習モデルの性能に挑戦している。
本稿では、外部特性を持つ合成データを生成する目的で開発されたzGANモデルアーキテクチャの概要について述べる。
リアルな合成データ生成の有望な結果と、モデル性能のアップリフト能力を示す。
論文 参考訳（メタデータ） (2024-10-28T07:55:11Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳（メタデータ） (2023-10-03T06:55:19Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳（メタデータ） (2023-04-07T16:38:40Z) - Synthetic Data in Healthcare [10.555189948915492]
本稿では,データ作成のための物理・統計シミュレーションの事例と医療・医療への応用について述べる。
人工物は、プライバシ、エクイティ、安全性、継続的な、因果学習を促進することができるが、欠陥や盲点を導入し、バイアスを伝播または誇張するリスクも負う。
論文 参考訳（メタデータ） (2023-04-06T17:23:39Z) - Evaluation of Categorical Generative Models -- Bridging the Gap Between
Real and Synthetic Data [18.142397311464343]
生成モデルに対する適切な拡張性の評価手法を提案する。
我々は、より困難なモデリングタスクに対応する、ますます大きな確率空間を考える。
我々は, 合成生成モデルと最先端のカテゴリー生成モデルの両方について, 合成実験により評価方法を検証する。
論文 参考訳（メタデータ） (2022-10-28T21:05:25Z) - Comparing Synthetic Tabular Data Generation Between a Probabilistic
Model and a Deep Learning Model for Education Use Cases [12.358921226358133]
合成データを生成する能力は、さまざまなドメインにまたがってさまざまなユースケースを持つ。
教育研究においては、特定の概念やアイデアをテストするために合成データにアクセスする必要性が高まっている。
論文 参考訳（メタデータ） (2022-10-16T13:21:23Z) - Investigating Bias with a Synthetic Data Generator: Empirical Evidence
and Philosophical Interpretation [66.64736150040093]
機械学習の応用は、私たちの社会でますます広まりつつある。
リスクは、データに埋め込まれたバイアスを体系的に広めることである。
本稿では,特定の種類のバイアスとその組み合わせで合成データを生成するフレームワークを導入することにより,バイアスを分析することを提案する。
論文 参考訳（メタデータ） (2022-09-13T11:18:50Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z)
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。