論文の概要: Effect of Duration and Delay on the Identifiability of VR Motion
- arxiv url: http://arxiv.org/abs/2407.18380v1
- Date: Thu, 25 Jul 2024 20:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-29 14:59:16.840665
- Title: Effect of Duration and Delay on the Identifiability of VR Motion
- Title（参考訳）: VR運動の識別性に及ぼす時間と遅延の影響
- Authors: Mark Roman Miller, Vivek Nair, Eugy Han, Cyan DeVeaux, Christian Rack, Rui Wang, Brandon Huang, Marc Erich Latoschik, James F. O'Brien, Jeremy N. Bailenson,
- Abstract要約: 本研究では,機械学習モデルがユーザの動作を正しく分類できる精度に,トレーニングデータの長さや遅延がどのような影響を及ぼすかを検討する。
トレーニングデータの持続時間と列車-テスト遅延は識別可能性に影響を及ぼし,列車-テスト遅延の最小化は極めて高い精度をもたらすことがわかった。
- 参考スコア（独自算出の注目度）: 14.960010297331912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social virtual reality is an emerging medium of communication. In this medium, a user's avatar (virtual representation) is controlled by the tracked motion of the user's headset and hand controllers. This tracked motion is a rich data stream that can leak characteristics of the user or can be effectively matched to previously-identified data to identify a user. To better understand the boundaries of motion data identifiability, we investigate how varying training data duration and train-test delay affects the accuracy at which a machine learning model can correctly classify user motion in a supervised learning task simulating re-identification. The dataset we use has a unique combination of a large number of participants, long duration per session, large number of sessions, and a long time span over which sessions were conducted. We find that training data duration and train-test delay affect identifiability; that minimal train-test delay leads to very high accuracy; and that train-test delay should be controlled in future experiments.
- Abstract（参考訳）: ソーシャルバーチャルリアリティーはコミュニケーションの新たなメディアだ。
ユーザのアバター(仮想表現)は、ユーザのヘッドセットとハンドコントローラの追跡動作によって制御される。
この追跡された動きは、リッチなデータストリームであり、ユーザの特徴を漏らしたり、事前に識別されたデータと効果的にマッチングしてユーザを特定することができる。
動作データの識別可能性の境界をよりよく理解するために,機械学習モデルが再識別を模擬する教師付き学習タスクにおいて,トレーニングデータの持続時間と試験遅れの変化がユーザの動作を正しく分類できる精度にどのように影響するかを検討する。
私たちが使用しているデータセットには、多数の参加者、セッションごとの長い期間、多数のセッション、セッションが実行される長い時間を組み合わせたユニークな組み合わせがあります。
トレーニングデータの持続時間と列車試験遅延が識別可能性に影響を与えること,列車試験遅延の最小化が極めて高い精度をもたらすこと,列車試験遅延を将来の実験で制御すること,などが判明した。
関連論文リスト
- Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-07-19T07:48:45Z) - RACon: Retrieval-Augmented Simulated Character Locomotion Control [28.803364426520208]
RACon: Retrieval-Augmented Simulated Character Locomotion Controlを紹介する。
エンドツーエンドの階層的強化学習法は,レトリバーとモーションコントローラを利用する。
本手法は,実証実験で実証したように,移動制御における品質と量の両方において既存の手法を超越した手法である。
論文 参考訳（メタデータ） (2024-06-11T16:21:28Z) - SpikeMOT: Event-based Multi-Object Tracking with Sparse Motion Features [52.213656737672935]
SpikeMOTはイベントベースのマルチオブジェクトトラッカーである。
SpikeMOTはスパイクニューラルネットワークを使用して、オブジェクトに関連するイベントストリームからスパーステンポラルな特徴を抽出する。
論文 参考訳（メタデータ） (2023-09-29T05:13:43Z) - Active Reinforcement Learning for Personalized Stress Monitoring in
Everyday Settings [4.4353357514621745]
本稿では,日常の環境をターゲットとしたウェアラブルセンサを用いた微粒な応力検出問題について考察する。
我々は,生理的信号を定期的に捉え,リアルタイムで処理する多層センサエッジクラウドプラットフォームを開発した。
提案手法は,ユーザからのクエリを88%,32%削減して,望ましい検出性能を実現する。
論文 参考訳（メタデータ） (2023-04-28T22:09:19Z) - Comparison of Data Representations and Machine Learning Architectures
for User Identification on Arbitrary Motion Sequences [8.967985264567217]
本稿では,頭部と手の動きの任意のシーケンスに基づいて,異なる機械学習手法を用いてユーザを識別する。
すべてのコードを公開して、将来の作業のベースラインを提供しています。
このモデルは、150秒以内の精度で、34人の被験者のどれかを正確に識別する。
論文 参考訳（メタデータ） (2022-10-02T14:12:10Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Multi-dataset Training of Transformers for Robust Action Recognition [75.5695991766902]
動作認識のための複数のデータセットをうまく一般化することを目的として,ロバストな特徴表現の課題について検討する。
本稿では、情報損失と投影損失という2つの新しい損失項を設計した、新しいマルチデータセットトレーニングパラダイムであるMultiTrainを提案する。
本研究では,Kineetics-400,Kineetics-700,Moments-in-Time,Activitynet,Some-something-v2の5つの課題データセットに対して,本手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T01:30:43Z) - Self-Supervised Human Activity Recognition with Localized Time-Frequency
Contrastive Representation Learning [16.457778420360537]
スマートフォン加速度計データを用いた人間行動認識のための自己教師付き学習ソリューションを提案する。
加速度計信号から強い表現を学習し,クラスラベルへの依存度を低減させるモデルを開発した。
提案手法の性能をMotionSense, HAPT, HHARの3つのデータセットで評価した。
論文 参考訳（メタデータ） (2022-08-26T22:47:18Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳（メタデータ） (2021-08-05T10:39:39Z) - Deception Detection in Videos using the Facial Action Coding System [4.641678530055641]
本研究では,深層学習モデルの学習パラメータとして使用する顔行動符号化システムを用いて,顔行動単位を抽出する。
実生活実験データセットを用いてトレーニングした長寿命記憶(LSTM)を特に用いた。
また、Real-lifeトライアルデータセット、Silesian Deceptionデータセット、Bag-of-lies Deceptionデータセットを使用して、クロスデータセット検証も行った。
論文 参考訳（メタデータ） (2021-05-28T08:10:21Z) - Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。
これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。
提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
論文 参考訳（メタデータ） (2021-01-16T07:31:00Z)
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。