論文の概要: Modeling Human Responses by Ordinal Archetypal Analysis
- arxiv url: http://arxiv.org/abs/2409.07934v1
- Date: Thu, 12 Sep 2024 10:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 16:48:47.878873
- Title: Modeling Human Responses by Ordinal Archetypal Analysis
- Title（参考訳）: オルディナルアーチティパル解析による人間の反応のモデル化
- Authors: Anna Emilie J. Wedenborg, Michael Alexander Harborg, Andreas Bigom, Oliver Elmgreen, Marcus Presutti, Andreas Råskov, Fumiko Kano Glückstad, Mikkel Schmidt, Morten Mørup,
- Abstract要約: 本稿では,特に質問紙からの質問紙データに適合する新しいアルキサイパル分析(AA)フレームワークを提案する。
我々は、従来のAA手法を拡張して、尺度知覚における個人差を認識し、アンケートに基づくデータの主観的な性質を扱う。
本稿では,RBOAA(Response Bias Ordinal Archetypal Analysis)を紹介する。
- 参考スコア（独自算出の注目度）: 2.3220860203471516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel framework for Archetypal Analysis (AA) tailored to ordinal data, particularly from questionnaires. Unlike existing methods, the proposed method, Ordinal Archetypal Analysis (OAA), bypasses the two-step process of transforming ordinal data into continuous scales and operates directly on the ordinal data. We extend traditional AA methods to handle the subjective nature of questionnaire-based data, acknowledging individual differences in scale perception. We introduce the Response Bias Ordinal Archetypal Analysis (RBOAA), which learns individualized scales for each subject during optimization. The effectiveness of these methods is demonstrated on synthetic data and the European Social Survey dataset, highlighting their potential to provide deeper insights into human behavior and perception. The study underscores the importance of considering response bias in cross-national research and offers a principled approach to analyzing ordinal data through Archetypal Analysis.
- Abstract（参考訳）: 本稿では,特に質問紙からの質問紙データに適合する新しいアルキサイパル分析(AA)フレームワークを提案する。
従来の方法と異なり,提案手法であるOAA(Ordinal Archetypal Analysis, Ordinal Archetypal Analysis)は,順序データを連続的なスケールに変換する2段階のプロセスを回避し,順序データを直接操作する。
我々は、従来のAA手法を拡張して、尺度知覚における個人差を認識し、アンケートに基づくデータの主観的な性質を扱う。
本稿では,RBOAA(Response Bias Ordinal Archetypal Analysis)を紹介する。
これらの手法の有効性は、人工データと欧州社会調査データセットで示され、人間の行動や知覚についてより深い洞察を提供する可能性を強調している。
この研究は、国家間研究における応答バイアスを考慮することの重要性を強調し、アルチェトパル分析を通じて順序データを分析するための原則的なアプローチを提供する。
関連論文リスト
- Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。
選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。
また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-29T20:56:34Z) - A Review of Global Sensitivity Analysis Methods and a comparative case study on Digit Classification [5.458813674116228]
グローバル感度分析(GSA)は、ある決定を下すモデルにつながる影響のある入力要素を検出することを目的としている。
本稿では,グローバルな感度分析手法に関する総合的なレビューと比較を行う。
論文 参考訳（メタデータ） (2024-06-23T00:38:19Z) - Integrated Gradient Correlation: a Dataset-wise Attribution Method [0.0]
本稿では,データセットの属性をモデル予測スコアに関連付ける,IGC(Integrated Gradient correlation)と呼ばれる新しい手法を提案する。
我々は,fMRI神経信号から脳内の画像特徴表現を解析し,スカラー予測の手法を実証した。
結果として得られたIGC属性は選択的なパターンを示し、基礎となるモデル戦略がそれぞれの目的に忠実であることを明らかにする。
論文 参考訳（メタデータ） (2024-04-22T06:42:21Z) - DINER: Debiasing Aspect-based Sentiment Analysis with Multi-variable Causal Inference [21.929902181609936]
本稿では,多変量因果推論に基づく新しいフレームワークを提案する。
レビューブランチでは、バイアスはコンテキストからの間接的なコンバウンドとしてモデル化される。
アスペクトブランチでは、バイアスはラベルとの直接的な相関として記述される。
論文 参考訳（メタデータ） (2024-03-02T10:38:31Z) - Key Design Choices in Source-Free Unsupervised Domain Adaptation: An
In-depth Empirical Analysis [16.0130560365211]
本研究では、画像分類におけるSF-UDA(Source-Free Unsupervised Domain Adaptation)のベンチマークフレームワークを提供する。
この研究は、さまざまなSF-UDAテクニックを実証的に検証し、データセット間の一貫性を評価する。
トレーニング済みのデータセットと戦略を徹底的に評価し、特に教師付きおよび自己監督型の手法に重点を置いている。
論文 参考訳（メタデータ） (2024-02-25T13:37:36Z) - Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。
提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。
我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
論文 参考訳（メタデータ） (2023-10-14T13:56:24Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳（メタデータ） (2021-12-15T18:56:39Z) - Learning Bias-Invariant Representation by Cross-Sample Mutual
Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。
相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。
我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文 参考訳（メタデータ） (2021-08-11T21:17:02Z) - Causal Reinforcement Learning: An Instrumental Variable Approach [8.881788084913147]
データ生成とデータ解析の動的な相互作用は、標準データ分析における内在性の問題を悪化させる新しいタイプのバイアス -- 強化バイアス -- に繋がることを示している。
この論文の重要な貢献は、ノイズが時間依存を特徴とする一般的な設定におけるアルゴリズムの分析を可能にする新しい手法の開発である。
論文 参考訳（メタデータ） (2021-03-06T03:57:46Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - Improving QA Generalization by Concurrent Modeling of Multiple Biases [61.597362592536896]
既存のNLPデータセットには、モデルが容易に活用できる様々なバイアスが含まれており、対応する評価セット上で高いパフォーマンスを達成することができる。
本稿では、トレーニングデータにおける複数のバイアスの同時モデリングにより、ドメイン内およびドメイン外両方のデータセットのパフォーマンスを改善するための一般的なフレームワークを提案する。
我々は,様々な領域の学習データと異なる強度の複数のバイアスを持つ抽出的質問応答の枠組みを広く評価した。
論文 参考訳（メタデータ） (2020-10-07T11:18:49Z)
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。