論文の概要: Predicting change in time production -- A machine learning approach to time perception
- arxiv url: http://arxiv.org/abs/2412.12781v1
- Date: Tue, 17 Dec 2024 10:41:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 14:00:00.660960
- Title: Predicting change in time production -- A machine learning approach to time perception
- Title（参考訳）: 時間生産の変化を予測する -- 時間知覚のための機械学習アプローチ
- Authors: Amrapali Pednekar, Alvaro Garrido, Yara Khaluf, Pieter Simoens,
- Abstract要約: 我々は、個人の時間生産における変化の方向を予測するために、機械学習モデルを訓練する。
時間生産における変化の方向を決定する上で,参加者のこれまでのタイミングパフォーマンスが重要な役割を担っていることがわかった。
- 参考スコア（独自算出の注目度）: 1.3091548163229116
- License:
- Abstract: Time perception research has advanced significantly over the years. However, some areas remain largely unexplored. This study addresses two such under-explored areas in timing research: (1) A quantitative analysis of time perception at an individual level, and (2) Time perception in an ecological setting. In this context, we trained a machine learning model to predict the direction of change in an individual's time production. The model's training data was collected using an ecologically valid setup. We moved closer to an ecological setting by conducting an online experiment with 995 participants performing a time production task that used naturalistic videos (no audio) as stimuli. The model achieved an accuracy of 61%. This was 10 percentage points higher than the baseline models derived from cognitive theories of timing. The model performed equally well on new data from a second experiment, providing evidence of its generalization capabilities. The model's output analysis revealed that it also contained information about the magnitude of change in time production. The predictions were further analysed at both population and individual level. It was found that a participant's previous timing performance played a significant role in determining the direction of change in time production. By integrating attentional-gate theories from timing research with feature importance techniques from machine learning, we explained model predictions using cognitive theories of timing. The model and findings from this study have potential applications in systems involving human-computer interactions where understanding and predicting changes in user's time perception can enable better user experience and task performance.
- Abstract（参考訳）: 時間知覚の研究は、長年にわたって大きく進歩してきた。
しかし、一部の地域は未調査のままである。
本研究では,(1)個体レベルでの時間知覚の定量的解析,(2)生態学的環境下での時間知覚の2つの未探索領域について考察する。
この文脈では、個人の時間生産における変化の方向を予測するために、機械学習モデルを訓練した。
モデルのトレーニングデータは、生態学的に有効な設定を使用して収集された。
自然主義的なビデオ(音声なし)を刺激として、995人の参加者によるオンライン実験を行い、生態的な環境に近づいた。
精度は61%だった。
これは、タイミングの認知理論から導出されるベースラインモデルよりも10パーセント高い値であった。
このモデルは、第2の実験から得られた新しいデータでも同じようにうまく機能し、その一般化能力の証拠となった。
モデルによる出力分析により、時間生産における変化の大きさに関する情報も含むことが明らかとなった。
予測は人口と個人レベルでさらに分析された。
その結果、参加者のこれまでのタイミングパフォーマンスは、時間生産における変化の方向を決定する上で重要な役割を担っていたことがわかった。
タイミング研究から注目ゲート理論と機械学習からの特徴的重要技術を統合することにより、タイミングの認知理論を用いたモデル予測について説明した。
本研究のモデルと知見は,ユーザの時間知覚の変化を理解し,予測することで,より優れたユーザエクスペリエンスとタスクパフォーマンスを実現する,人間とコンピュータのインタラクションを含むシステムに適用できる可能性がある。
関連論文リスト
- Temporal receptive field in dynamic graph learning: A comprehensive analysis [15.161255747900968]
本稿では,動的グラフ学習における時間受容領域の包括的解析について述べる。
その結果,適切な時間的受容場を選択すれば,モデルの性能が大幅に向上することが示された。
一部のモデルでは、過度に大きなウィンドウがノイズを発生させ、精度を低下させる。
論文 参考訳（メタデータ） (2024-07-17T07:46:53Z) - A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。
このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。
本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
論文 参考訳（メタデータ） (2024-05-04T17:57:24Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - TimeGPT-1 [1.2289361708127877]
我々は、時系列の最初の基礎モデルであるTimeGPTを導入し、トレーニング中に見えない多様なデータセットの正確な予測を生成する。
我々は,既存の統計,機械学習,深層学習に対して事前学習したモデルを評価し,TGPTゼロショット推論が性能,効率,単純さに優れていることを示す。
論文 参考訳（メタデータ） (2023-10-05T15:14:00Z) - 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) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳（メタデータ） (2023-05-31T13:25:26Z) - 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) - Temporal Effects on Pre-trained Models for Language Processing Tasks [9.819970078135343]
本稿では, 時間的モデル劣化がそれほど大きな問題ではないことを示すために, 大規模なニューラルプレトレーニング表現を用いた実験を行った。
しかし、時間的領域適応が有益であり、より最近の時間的データに基づいてシステムが訓練された場合、所定の時間に対してより優れた性能が得られる。
論文 参考訳（メタデータ） (2021-11-24T20:44:12Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z)
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。