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
- Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。
本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。
そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文 参考訳(メタデータ) (2023-12-07T18:37:43Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-08T05:44:06Z) - Data Quality in Imitation Learning [15.939363481618738]
ロボット工学のオフライン学習では、インターネットのスケールデータがないだけで、高品質なデータセットが必要なのです。
これは特に、専門家によるデモンストレーションを用いたロボット学習のためのサンプル効率のよいパラダイムである模倣学習(IL)において当てはまる。
本研究では,分散シフトのレンズによる模倣学習のためのデータ品質の形式化に向けた第一歩を踏み出す。
論文 参考訳(メタデータ) (2023-06-04T18:48:32Z) - Data augmentation on-the-fly and active learning in data stream
classification [9.367903089535684]
予測モデルをオンザフライでトレーニングする必要性が高まっている。
学習モデルは、アクティブな学習予算を増やすことなく、より多くのラベル付きデータにアクセスすることができる。
Augmented Queuesは、学習の質とスピードに関して、パフォーマンスを著しく向上させる。
論文 参考訳(メタデータ) (2022-10-13T09:57:08Z) - Nonstationary data stream classification with online active learning and
siamese neural networks [11.501721946030779]
予測モデルをオンザフライでトレーニングするオンライン学習方法に対する新たなニーズ。
しかし、一連のオープンな課題は、実際にデプロイを妨げている。
本稿では,オンラインアクティブラーニング,シアムネットワーク,マルチキューメモリを組み合わせることで,これらの課題に対処するActiSiameseアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-10-03T17:16:03Z) - 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) - Online Continual Learning with Natural Distribution Shifts: An Empirical
Study with Visual Data [101.6195176510611]
オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。
オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。
本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
論文 参考訳(メタデータ) (2021-08-20T06:17:20Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳(メタデータ) (2021-04-14T14:20:22Z) - 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) - Data-efficient Online Classification with Siamese Networks and Active
Learning [11.501721946030779]
オンライン分類におけるラベル付き・非定常・不均衡データからの学習について検討する。
本研究では,シアムニューラルネットワークとアクティブラーニングを相乗的に組み合わせた学習手法を提案する。
提案手法はデータの非定常性と不均衡に対して頑健であり,学習速度と性能の両面で,ベースラインと最先端アルゴリズムを著しく上回っている。
論文 参考訳(メタデータ) (2020-10-04T19:07:19Z) - Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。
私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
論文 参考訳(メタデータ) (2020-04-07T20:57:44Z)
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。