論文の概要: Improving Personalisation in Valence and Arousal Prediction using Data Augmentation

• arxiv url: http://arxiv.org/abs/2404.09042v1
• Date: Sat, 13 Apr 2024 16:57:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 17:34:10.173971
• Title: Improving Personalisation in Valence and Arousal Prediction using Data Augmentation
• Title（参考訳）: データ拡張による妥当性のパーソナライズと覚醒予測の改善
• Authors: Munachiso Nwadike, Jialin Li, Hanan Salam,
• Abstract要約: 本稿では、データ拡張を利用したパーソナライズ戦略の強化について述べる。 提案手法であるDWA(Distance Weighting Augmentation)では,対象者のデータセットを拡大する重み付けに基づく拡張手法を採用している。 MuSe-Personalisation 2023 Challengeデータセットの実験結果から,提案手法は特徴セットの性能を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 2.447631206868802
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In the field of emotion recognition and Human-Machine Interaction (HMI), personalised approaches have exhibited their efficacy in capturing individual-specific characteristics and enhancing affective prediction accuracy. However, personalisation techniques often face the challenge of limited data for target individuals. This paper presents our work on an enhanced personalisation strategy, that leverages data augmentation to develop tailored models for continuous valence and arousal prediction. Our proposed approach, Distance Weighting Augmentation (DWA), employs a weighting-based augmentation method that expands a target individual's dataset, leveraging distance metrics to identify similar samples at the segment-level. Experimental results on the MuSe-Personalisation 2023 Challenge dataset demonstrate that our method significantly improves the performance of features sets which have low baseline performance, on the test set. This improvement in poor-performing features comes without sacrificing performance on high-performing features. In particular, our method achieves a maximum combined testing CCC of 0.78, compared to the reported baseline score of 0.76 (reproduced at 0.72). It also achieved a peak arousal and valence scores of 0.81 and 0.76, compared to reproduced baseline scores of 0.76 and 0.67 respectively. Through this work, we make significant contributions to the advancement of personalised affective computing models, enhancing the practicality and adaptability of data-level personalisation in real world contexts.
• Abstract（参考訳）: 感情認識とヒューマン・マシーン・インタラクション(HMI)の分野では、個人化されたアプローチは個人固有の特徴を捉え、感情予測の精度を高める効果を示した。 しかし、パーソナライゼーション技術は、ターゲット個人に対して限られたデータを扱うという課題に直面していることが多い。 本稿では、データ拡張を活用して、連続値と覚醒予測に適したモデルを開発する、強化されたパーソナライゼーション戦略について述べる。 提案手法であるDWA(Distance Weighting Augmentation)では,対象個人のデータセットを拡大する重み付けに基づく拡張手法を用いて,距離メトリクスを利用してセグメントレベルの類似サンプルを同定する。 MuSe-Personalisation 2023 Challengeデータセットの実験結果から,本手法は,ベースライン性能の低い特徴セットの性能を大幅に向上することを示した。 このパフォーマンスの悪い機能の改善は、ハイパフォーマンス機能のパフォーマンスを犠牲にすることなく実現される。 特に本手法は, ベースラインスコア0.76(再現率0.72)と比較して, 最大組合せCCCが0.78である。 また、再現されたベースラインスコアの0.76と0.67と比較すると、ピークの覚醒スコアと原子価スコアは0.81と0.76である。 本研究は、個人化された情緒的コンピューティングモデルの発展に多大な貢献を行い、実世界の文脈におけるデータレベルのパーソナライゼーションの実践性と適応性を高める。

関連論文リスト

• Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
  本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。 ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:24:26Z)
• Impact of Comprehensive Data Preprocessing on Predictive Modelling of COVID-19 Mortality [0.0]
  本研究では、新型コロナウイルスの死亡率を予測する10の機械学習モデルに対する、カスタムデータ前処理パイプラインの影響を評価する。 私たちのパイプラインは、標準的な前処理パイプラインと4つの重要なステップで異なります。
  論文  参考訳（メタデータ） (2024-08-15T13:23:59Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• CORE-BEHRT: A Carefully Optimized and Rigorously Evaluated BEHRT [1.825224193230824]
  BERTベースのモデルはBEHRTとMed-BERTのリリース以降、人気が高まっている。 BERTに基づくEHRモデリングについて検討し、重要な設計選択のための改善の源泉を分離する。
  論文  参考訳（メタデータ） (2024-04-23T16:35:59Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• A Multi-term and Multi-task Analyzing Framework for Affective Analysis in-the-wild [0.2216657815393579]
  本稿では,ABAW(Affective Behavior Analysis in-the-Wild)2020 Contestに提出された感情認識手法を紹介する。 感情行動には独自の時間枠を持つ観測可能な多くの特徴があるため、複数の最適化された時間窓を導入しました。 時間ごとの感情認識モデルを作成し、これらのモデルをまとめました。
  論文  参考訳（メタデータ） (2020-09-29T09:24:29Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。