Fugu-MT 論文翻訳(概要): CMOSE: Comprehensive Multi-Modality Online Student Engagement Dataset with High-Quality Labels

論文の概要: CMOSE: Comprehensive Multi-Modality Online Student Engagement Dataset with High-Quality Labels

arxiv url: http://arxiv.org/abs/2312.09066v1
Date: Thu, 14 Dec 2023 16:04:14 GMT
ステータス: 処理完了
システム内更新日: 2023-12-15 21:29:06.940943
Title: CMOSE: Comprehensive Multi-Modality Online Student Engagement Dataset with High-Quality Labels
Title（参考訳）: cmose: 高品質ラベルを用いた総合的マルチモダリティオンライン学生エンゲージメントデータセット
Authors: Chi-hsuan Wu, Shih-yang Liu, Xijie Huang, Xingbo Wang, Rong Zhang, Luca Minciullo, Wong Kai Yiu, Kenny Kwan, Kwang-Ting Cheng
Abstract要約: エンゲージメント検出における現在の課題は、データセットのラベル品質の低下、クラス内の変動、極端なデータ不均衡などである。本稿では,様々なエンゲージメントレベルの大量のデータを含むCMOSEデータセットと,心理学的アドバイスに従って生成した高品質なラベルについて述べる。また,クラス内変動,クラス間の順序関係,データ不均衡問題を扱うためのトレーニング機構であるMocoRankを開発した。
参考スコア（独自算出の注目度）: 27.53564780783382
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Online learning is a rapidly growing industry due to its convenience. However, a major challenge in online learning is whether students are as engaged as they are in face-to-face classes. An engagement recognition system can significantly improve the learning experience in online classes. Current challenges in engagement detection involve poor label quality in the dataset, intra-class variation, and extreme data imbalance. To address these problems, we present the CMOSE dataset, which contains a large number of data in different engagement levels and high-quality labels generated according to the psychological advice. We demonstrate the advantage of transferability by analyzing the model performance on other engagement datasets. We also developed a training mechanism, MocoRank, to handle the intra-class variation, the ordinal relationship between different classes, and the data imbalance problem. MocoRank outperforms prior engagement detection losses, achieving a 1.32% enhancement in overall accuracy and 5.05% improvement in average accuracy. We further demonstrate the effectiveness of multi-modality by conducting ablation studies on features such as pre-trained video features, high-level facial features, and audio features.
Abstract（参考訳）: オンライン学習はその利便性のために急速に成長している産業だ。しかし、オンライン学習における大きな課題は、学生が対面クラスに通っているかどうかである。エンゲージメント認識システムは、オンライン授業における学習体験を大幅に改善することができる。現在のエンゲージメント検出の課題は、データセットのラベル品質の低下、クラス内変異、極端なデータ不均衡などである。これらの問題に対処するため,心理アドバイスに基づき,様々なエンゲージメントレベルの大量のデータと高品質なラベルを含むCMOSEデータセットを提案する。他のエンゲージメントデータセットにおけるモデルパフォーマンスを分析することで、転送可能性の利点を実証する。また,クラス内変動,クラス間の順序関係,データ不均衡問題を扱うためのトレーニング機構であるMocoRankを開発した。 MocoRankは、前回のエンゲージメント検出損失を上回っ、全体的な精度が1.32%向上し、平均精度が5.05%向上した。さらに,事前学習した映像特徴量,高レベル顔特徴量,音声特徴量などの特徴についてアブレーション研究を行い,マルチモダリティの有効性を実証する。

関連論文リスト

BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文参考訳（メタデータ） (2023-12-26T08:14:46Z)
DualMatch: Robust Semi-Supervised Learning with Dual-Level Interaction [10.775623936099173]
従来の半教師付き学習手法は、通常、異なるデータ拡張ビューのモデル予測を単一レベルのインタラクション方法で一致させる。本稿では,DualMatchと呼ばれる新しいSSL方式を提案する。標準SSL設定では、SOTA法と比較して9%のエラー削減が達成されるが、より困難なクラス不均衡設定でも6%のエラー削減が達成できる。
論文参考訳（メタデータ） (2023-10-25T08:34:05Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Leveraging Demonstrations to Improve Online Learning: Quality Matters [54.98983862640944]
改善の度合いは実演データの品質に左右されることが示されている。ベイズの法則を通したコヒーレントな方法で実演データを利用する情報TSアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-07T08:49:12Z)
Detecting Disengagement in Virtual Learning as an Anomaly [4.706263507340607]
学生エンゲージメントは、仮想学習プログラムの目標を達成する上で重要な要素である。本稿では,仮想学習における解離を異常検出問題として定式化する。我々は、時間畳み込みネットワークオートエンコーダ、長期記憶オートエンコーダなど、様々なオートエンコーダを設計する。
論文参考訳（メタデータ） (2022-11-13T10:29:25Z)
Looking For A Match: Self-supervised Clustering For Automatic Doubt Matching In e-learning Platforms [1.0705399532413613]
我々は,自己教師型手法を用いて学習した表現に基づいて,ラベルに依存しない疑似マッチングパラダイムを開発する。本稿では、ドメイン固有の拡張と対照的な目的を、適切に構築されたさまざまなデータビューに対して組み合わせたカスタムBYOLを提案する。
論文参考訳（メタデータ） (2022-08-20T04:12:19Z)
Online Continual Learning via Multiple Deep Metric Learning and Uncertainty-guided Episodic Memory Replay -- 3rd Place Solution for ICCV 2021 Workshop SSLAD Track 3A Continual Object Classification [41.35216156491142]
オンライン連続学習における非定常性は、ニューラルネットワークにおける破滅的な忘れを招きかねない。提案手法は,平均平均クラス精度(AMCA)64.01%,テストセット64.53%のAMCAでかなりの一般化を実現する。
論文参考訳（メタデータ） (2021-11-04T11:16:42Z)
LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences [21.67751919579854]
今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
論文参考訳（メタデータ） (2021-04-21T02:57:42Z)
On Deep Learning with Label Differential Privacy [54.45348348861426]
ラベルは機密性があり、保護されるべきであるとするマルチクラス分類について検討する。本稿では,ラベル差分プライバシを用いたディープニューラルネットワークのトレーニングアルゴリズムを提案し,いくつかのデータセットで評価を行う。
論文参考訳（メタデータ） (2021-02-11T15:09:06Z)
Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文参考訳（メタデータ） (2021-01-16T23:45:02Z)
CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。複数のデータセット上で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-11-23T02:54:57Z)

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。