論文の概要: Improving Emotion Recognition Accuracy with Personalized Clustering
- arxiv url: http://arxiv.org/abs/2410.03696v1
- Date: Mon, 23 Sep 2024 16:42:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 20:38:12.997835
- Title: Improving Emotion Recognition Accuracy with Personalized Clustering
- Title（参考訳）: パーソナライズされたクラスタリングによる感情認識精度の向上
- Authors: Laura Gutierrez-Martin, Celia Lopez Ongil, Jose M. Lanza-Gutierrez, Jose A. Miranda Calero,
- Abstract要約: 感情認識は、リアルタイムおよび実生活で動作する高速で離散的で非豪華なシステムで行うべきです。
これらのカスタマイズされたモデルは、外部刺激に対する感情的な反応において類似点を共有する被験者のクラスタに適用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emotion recognition through artificial intelligence and smart sensing of physical and physiological signals (Affective Computing) is achieving very interesting results in terms of accuracy, inference times, and user-independent models. In this sense, there are applications related to the safety and well-being of people (sexual aggressions, gender-based violence, children and elderly abuse, mental health, etc.) that require even more improvements. Emotion detection should be done with fast, discrete, and non-luxurious systems working in real-time and real life (wearable devices, wireless communications, battery-powered). Furthermore, emotional reactions to violence are not equal in all people. Then, large general models cannot be applied to a multiuser system for people protection, and customized and simple AI models would be welcomed by health and social workers and law enforcement agents. These customized models will be applicable to clusters of subjects sharing similarities in their emotional reactions to external stimuli. This customization requires several steps: creating clusters of subjects with similar behaviors, creating AI models for every cluster, continually updating these models with new data, and enrolling new subjects in clusters when required. A methodology for clustering data compiled (physical and physiological data, together with emotional labels) is presented in this work, as well as the method for including new subjects once the AI model is generated. Experimental results demonstrate an improvement of 4% in accuracy and 3% in f1-score w.r.t. the general model, along with a 14% reduction in variability.
- Abstract（参考訳）: 人工知能による感情認識と物理的および生理的信号のスマートセンシング(Affective Computing)は、精度、推測時間、ユーザ非依存のモデルで非常に興味深い結果を得ている。
この意味では、さらなる改善を必要とする人々の安全と幸福(性的攻撃、性別による暴力、子供と高齢者の虐待、メンタルヘルスなど)に関する応用がある。
感情検出は、リアルタイムおよびリアルタイム(ウェアラブルデバイス、無線通信、バッテリー駆動)で動作する高速で離散的で非豪華なシステムで行う必要がある。
さらに、暴力に対する感情的な反応は全員に等しくはない。
そして、人保護のためのマルチユーザーシステムには大規模な汎用モデルを適用することができず、カスタマイズされたシンプルなAIモデルは、健康や社会労働者、法執行機関によって歓迎される。
これらのカスタマイズされたモデルは、外部刺激に対する感情的な反応において類似点を共有する被験者のクラスタに適用できる。
このカスタマイズには、同じような振る舞いを持つ対象のクラスタの作成、クラスタ毎にAIモデルの作成、新しいデータでこれらのモデルを継続的に更新すること、必要に応じて新たな対象をクラスタに登録すること、など、いくつかのステップが必要になる。
本研究では、コンパイルされたデータ(物理的および生理的データ、および感情的ラベル)をクラスタリングする手法と、AIモデルが生成されると、新しい主題を含める方法について述べる。
実験結果から,f1スコアw.r.t.の精度が4%,f1スコアw.r.t.が3%向上し,変動性が14%低下した。
関連論文リスト
- Generative Agent Simulations of 1,000 People [56.82159813294894]
本稿では,1,052人の実人の態度と行動をシミュレートする新しいエージェントアーキテクチャを提案する。
生成エージェントは一般社会調査の参加者の回答を85%の精度で再現する。
我々のアーキテクチャは、人種的およびイデオロギー的グループにおける正確さのバイアスを、人口統計学的記述のエージェントと比較して低減する。
論文 参考訳（メタデータ） (2024-11-15T11:14:34Z) - Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Real-time EEG-based Emotion Recognition Model using Principal Component
Analysis and Tree-based Models for Neurohumanities [0.0]
本研究は,没入空間内における文脈の学習過程における情緒的モニタリングを取り入れたソリューションを提案する。
脳波に基づくリアルタイム感情検出システムは、特定の感情を解釈し分類するために開発された。
このシステムは、感情データをインタラクティブなプラットフォームに統合し、包括的で没入的な学習環境を構築することを目的としている。
論文 参考訳（メタデータ） (2024-01-28T20:02:13Z) - A Comparison of Personalized and Generalized Approaches to Emotion
Recognition Using Consumer Wearable Devices: Machine Learning Study [1.0895307583148537]
We developed a convolutional encoder for the three-class emotion classification problem using data from WESAD。
3クラス分類問題では, パーソナライズされたモデルの平均精度は95.06%, F1スコアは91.71であった。
その結果,パーソナライズされた感情認識モデルの研究の必要性が強調された。
論文 参考訳（メタデータ） (2023-08-28T01:21:22Z) - Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。
デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。
これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
論文 参考訳（メタデータ） (2023-07-12T01:11:52Z) - Perceptual-Score: A Psychophysical Measure for Assessing the Biological
Plausibility of Visual Recognition Models [9.902669518047714]
本稿では,視覚心理学に基づく新しい尺度Perceptual-Scoreを提案する。
生物学的なインスピレーションと複雑性の程度が異なる12のモデルで手順を実行する。
各モデルの知覚スコアは、最先端の神経活動ベースのメトリクスであるBrain-Scoreと比較される。
論文 参考訳（メタデータ） (2022-10-16T20:34:26Z) - Data-driven emotional body language generation for social robotics [58.88028813371423]
社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。
我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。
評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
論文 参考訳（メタデータ） (2022-05-02T09:21:39Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - The BIRAFFE2 Experiment. Study in Bio-Reactions and Faces for
Emotion-based Personalization for AI Systems [0.0]
異なる人物の感情的反応を捉えるための統一パラダイムを提案する。
機械学習手法のために、簡単に使用・開発できるフレームワークを提供する。
論文 参考訳（メタデータ） (2020-07-29T18:35:34Z)
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。