論文の概要: Improved AdaBoost for Virtual Reality Experience Prediction Based on Long Short-Term Memory Network

• arxiv url: http://arxiv.org/abs/2405.10515v1
• Date: Fri, 17 May 2024 03:47:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:02:02.213007
• Title: Improved AdaBoost for Virtual Reality Experience Prediction Based on Long Short-Term Memory Network
• Title（参考訳）: 長期記憶ネットワークに基づくバーチャルリアリティ体験予測のためのAdaBoostの改良
• Authors: Wenhan Fan, Zhicheng Ding, Ruixin Huang, Chang Zhou, Xuyang Zhang,
• Abstract要約: AdaBoostの改良したLong Short-Term Memory Network (LSTM)に基づく分類予測アルゴリズムを用いて,仮想現実(VR)ユーザエクスペリエンスの予測を行う。 データセットは、7:3の比率でトレーニングとテストセットにランダムに分割される。 最終的な損失値0.31は、モデルがトレーニングデータによく適合し、予測と分類をより正確にすることができることを示している。
• 参考スコア（独自算出の注目度）: 23.240015845802493
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A classification prediction algorithm based on Long Short-Term Memory Network (LSTM) improved AdaBoost is used to predict virtual reality (VR) user experience. The dataset is randomly divided into training and test sets in the ratio of 7:3.During the training process, the model's loss value decreases from 0.65 to 0.31, which shows that the model gradually reduces the discrepancy between the prediction results and the actual labels, and improves the accuracy and generalisation ability.The final loss value of 0.31 indicates that the model fits the training data well, and is able to make predictions and classifications more accurately. The confusion matrix for the training set shows a total of 177 correct predictions and 52 incorrect predictions, with an accuracy of 77%, precision of 88%, recall of 77% and f1 score of 82%. The confusion matrix for the test set shows a total of 167 correct and 53 incorrect predictions with 75% accuracy, 87% precision, 57% recall and 69% f1 score. In summary, the classification prediction algorithm based on LSTM with improved AdaBoost shows good prediction ability for virtual reality user experience. This study is of great significance to enhance the application of virtual reality technology in user experience. By combining LSTM and AdaBoost algorithms, significant progress has been made in user experience prediction, which not only improves the accuracy and generalisation ability of the model, but also provides useful insights for related research in the field of virtual reality. This approach can help developers better understand user requirements, optimise virtual reality product design, and enhance user satisfaction, promoting the wide application of virtual reality technology in various fields.
• Abstract（参考訳）: AdaBoostの改良したLong Short-Term Memory Network (LSTM)に基づく分類予測アルゴリズムを用いて,仮想現実(VR)ユーザエクスペリエンスの予測を行う。 データセットは、7:3の比率でトレーニングセットとテストセットにランダムに分割され、トレーニングプロセスの間、モデルの損失値は0.65から0.31に減少し、モデルが予測結果と実際のラベルとの差を徐々に減らし、精度と一般化能力を向上させる。 トレーニングセットの混乱行列は、合計で177の正確な予測と52の誤った予測を示し、精度は77%、精度は88%、リコールは77%、f1スコアは82%であった。 テストセットの混乱行列は、75%の精度、87%の精度、57%のリコール、69%のf1スコアで、合計167の正確さと53の誤予測を示した。 要約すると、AdaBoostを改良したLSTMに基づく分類予測アルゴリズムは、仮想現実ユーザーエクスペリエンスに優れた予測能力を示す。 本研究は,ユーザエクスペリエンスにおける仮想現実技術の適用性を高める上で,極めて重要である。 LSTMアルゴリズムとAdaBoostアルゴリズムを組み合わせることで、モデルの精度と一般化能力を向上するだけでなく、仮想現実分野の関連研究に有用な洞察を提供するユーザエクスペリエンス予測が大幅に進歩した。 このアプローチは、開発者がユーザー要求をよりよく理解し、仮想現実製品設計を最適化し、ユーザーの満足度を高め、様々な分野における仮想現実技術の幅広い応用を促進するのに役立つ。

関連論文リスト

• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Optimizing Transformer based on high-performance optimizer for predicting employment sentiment in American social media content [9.49688045612671]
  本稿では,Swarmインテリジェンス最適化アルゴリズムに基づくTransformerモデルの改良を行い,雇用関係のテキストコンテンツの感情を予測することを目的とする。 トレーニング期間中、モデルの精度は49.27%から82.83%に徐々に上昇し、損失値は0.67から0.35に低下した。 本稿では、ソーシャルメディア上での雇用関連テキストにおける感情認識の精度の向上だけでなく、重要な実践的意義も挙げる。
  論文  参考訳（メタデータ） (2024-10-09T03:14:05Z)
• PredFormer: Transformers Are Effective Spatial-Temporal Predictive Learners [65.93130697098658]
  本稿では、予測学習のための純粋なトランスフォーマーベースのフレームワークであるPredFormerを提案する。 PredFormerは、リカレントフリーでトランスフォーマーベースの設計で、シンプルかつ効率的である。 合成および実世界のデータセットに関する実験は、PredFormerが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-07T03:52:06Z)
• Improved Adaboost Algorithm for Web Advertisement Click Prediction Based on Long Short-Term Memory Networks [2.7959678888027906]
  本稿では,Long Short-Term Memory Networks (LSTM) に基づくAdaboostアルゴリズムの改良について検討する。 いくつかの一般的な機械学習アルゴリズムと比較することにより、広告クリック予測における新しいモデルの利点を分析する。 提案手法は,ユーザの広告クリック予測において92%の精度で良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-08-08T03:27:02Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Confidence-Nets: A Step Towards better Prediction Intervals for regression Neural Networks on small datasets [0.0]
  そこで本研究では,予測の不確かさを推定し,精度を向上し,予測変動の間隔を与えるアンサンブル手法を提案する。 提案手法は様々なデータセットで検証され,ニューラルネットワークモデルの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2022-10-31T06:38:40Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Efficient Action Recognition Using Confidence Distillation [9.028144245738247]
  本研究では,教師の不確実性の表現を学生に教える信頼性蒸留フレームワークを提案する。 我々は3つの行動認識データセットに関する広範な実験を行い、我々のフレームワークが、行動認識精度(最大20%)と計算効率(40%以上)の大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-09-05T18:25:49Z)
• Deep Learning for Content-based Personalized Viewport Prediction of 360-Degree VR Videos [72.08072170033054]
  本稿では、位置データとビデオフレームコンテンツを活用して、将来の頭部の動きを予測するためのディープラーニングネットワークを提案する。 このニューラルネットワークに入力されるデータを最適化するために、このモデルのために、データサンプル率、データ削減、長期予測長についても検討する。
  論文  参考訳（メタデータ） (2020-03-01T07:31:50Z)

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。