論文の概要: A Novel Loss Function Utilizing Wasserstein Distance to Reduce
Subject-Dependent Noise for Generalizable Models in Affective Computing
- arxiv url: http://arxiv.org/abs/2308.10869v1
- Date: Thu, 17 Aug 2023 01:15:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 12:29:42.763331
- Title: A Novel Loss Function Utilizing Wasserstein Distance to Reduce
Subject-Dependent Noise for Generalizable Models in Affective Computing
- Title（参考訳）: ワッサースタイン距離を用いた一般化可能モデルに対する主観依存雑音低減のための新しい損失関数
- Authors: Nibraas Khan, Mahrukh Tauseef, Ritam Ghosh, Nilanjan Sarkar
- Abstract要約: 感情は人間の行動の重要な部分であり、思考、意思決定、コミュニケーションスキルに影響を与える可能性がある。
感情を正確に監視し識別する能力は、行動訓練、感情的幸福の追跡、人間とコンピュータのインターフェイスの開発など、多くの人間中心のアプリケーションで有用である。
- 参考スコア（独自算出の注目度）: 0.4818210066519976
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emotions are an essential part of human behavior that can impact thinking,
decision-making, and communication skills. Thus, the ability to accurately
monitor and identify emotions can be useful in many human-centered applications
such as behavioral training, tracking emotional well-being, and development of
human-computer interfaces. The correlation between patterns in physiological
data and affective states has allowed for the utilization of deep learning
techniques which can accurately detect the affective states of a person.
However, the generalisability of existing models is often limited by the
subject-dependent noise in the physiological data due to variations in a
subject's reactions to stimuli. Hence, we propose a novel cost function that
employs Optimal Transport Theory, specifically Wasserstein Distance, to scale
the importance of subject-dependent data such that higher importance is
assigned to patterns in data that are common across all participants while
decreasing the importance of patterns that result from subject-dependent noise.
The performance of the proposed cost function is demonstrated through an
autoencoder with a multi-class classifier attached to the latent space and
trained simultaneously to detect different affective states. An autoencoder
with a state-of-the-art loss function i.e., Mean Squared Error, is used as a
baseline for comparison with our model across four different commonly used
datasets. Centroid and minimum distance between different classes are used as a
metrics to indicate the separation between different classes in the latent
space. An average increase of 14.75% and 17.75% (from benchmark to proposed
loss function) was found for minimum and centroid euclidean distance
respectively over all datasets.
- Abstract（参考訳）: 感情は、思考、意思決定、コミュニケーションスキルに影響を与える人間の行動の重要な部分である。
したがって、感情を正確に監視し識別する能力は、行動訓練、感情的幸福の追跡、ヒューマンコンピュータインタフェースの開発など、多くの人間中心のアプリケーションで有用である。
生理的データにおけるパターンと感情状態の相関は、個人の感情状態を正確に検出できる深層学習技術の利用を可能にしている。
しかし、既存のモデルの一般化可能性はしばしば、被験者の刺激に対する反応の変化による生理的データにおける主観依存ノイズによって制限される。
そこで本稿では,全参加者に共通するデータのパターンに重きを置くとともに,主観的ノイズから生じるパターンの重要度を下げるように,主観的依存データの重要性を拡大する,最適輸送理論(特にワッサースタイン距離)を用いたコスト関数を提案する。
提案するコスト関数の性能は,マルチクラス分類器を付加したオートエンコーダを用いて実証し,異なる感情状態を検出するために同時に訓練する。
結果損失関数、すなわち平均二乗誤差を持つオートエンコーダは、我々のモデルと4つの異なる一般的に使用されるデータセットの比較基準として使用される。
異なるクラス間のセントロイドと最小距離は、潜在空間における異なるクラス間の分離を示す指標として用いられる。
平均14.75%と17.75%の増加(ベンチマークから提案する損失関数まで)は、各データセットの最小ユークリッド距離と遠心ユークリッド距離でそれぞれ検出された。
関連論文リスト
- Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Towards Understanding Human Emotional Fluctuations with Sparse Check-In Data [2.8623940003518156]
データスパシティは、さまざまなドメインにわたるAIツールのパワーを制限する重要な課題である。
本稿では,ユーザ中心のフィードバックに基づく学習を統合する新しい確率的フレームワークを提案する。
64のオプションの中で、ユーザの状態を6割の精度で予測できる。
論文 参考訳（メタデータ） (2024-09-10T21:00:33Z) - Automatic Sensor-free Affect Detection: A Systematic Literature Review [0.0]
本稿では,センサレス感情検出に関する総合的な文献レビューを行う。
この分野の明らかな成熟度は、モデルの一貫した性能によって証明されているにもかかわらず、将来の研究には十分な範囲がある。
モデル開発プラクティスやメソッドの洗練も必要です。
論文 参考訳（メタデータ） (2023-10-11T13:24:27Z) - Stubborn Lexical Bias in Data and Models [50.79738900885665]
我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。
トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。
驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
論文 参考訳（メタデータ） (2023-06-03T20:12:27Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳（メタデータ） (2022-07-20T13:37:57Z) - Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。
学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。
このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
論文 参考訳（メタデータ） (2021-12-22T23:08:39Z) - Affect-DML: Context-Aware One-Shot Recognition of Human Affect using
Deep Metric Learning [29.262204241732565]
既存の方法は、すべての関心の感情に注釈付きトレーニングの例として優先順位が与えられると仮定している。
我々は、文脈における感情のワンショット認識を概念化し、単一のサポートサンプルからより細かい粒子レベルの人間の影響状態を認識することを目的とした新しい問題である。
モデルの全変種は、ランダムなベースラインよりも明らかに優れており、セマンティックシーンのコンテキストを活用することで、学習された表現を一貫して改善している。
論文 参考訳（メタデータ） (2021-11-30T10:35:20Z) - DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
人-物間相互作用(HOI)検出の課題に対処する。
既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。
本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
論文 参考訳（メタデータ） (2020-08-26T17:59:40Z) - 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) - On-Device Transfer Learning for Personalising Psychological Stress
Modelling using a Convolutional Neural Network [4.40450723619303]
ストレスは、現代社会において、かつてないほど広い人口に悪影響を及ぼす懸念が高まっている。
ストレスの正確な推測は、個人化された介入の可能性をもたらす可能性がある。
ストレス実験を完了した20人の参加者のデータを用いて訓練した初期ベースモデルからトランスファー学習を活用することで、個人化されたクロスドメイン1D CNNの開発を提案する。
論文 参考訳（メタデータ） (2020-04-03T14:48:36Z)
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。