論文の概要: Uncertainty Estimation in the Real World: A Study on Music Emotion Recognition

• arxiv url: http://arxiv.org/abs/2501.11570v1
• Date: Mon, 20 Jan 2025 16:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:22:55.036276
• Title: Uncertainty Estimation in the Real World: A Study on Music Emotion Recognition
• Title（参考訳）: 実世界における不確かさ推定:音楽感情認識に関する研究
• Authors: Karn N. Watcharasupat, Yiwei Ding, T. Aleksandra Ma, Pavan Seshadri, Alexander Lerch,
• Abstract要約: 音楽刺激に対する主観的反応の主観的傾向を推定するだけでなく,これらの反応に関連する不確かさを推定する手法についても検討する。 実験結果から, 中心傾向のモデル化は達成可能であるが, 主観的応答の不確かさのモデル化は, 現在利用可能なアプローチでは著しく困難であることが示唆された。
• 参考スコア（独自算出の注目度）: 42.02772964152751
• License:
• Abstract: Any data annotation for subjective tasks shows potential variations between individuals. This is particularly true for annotations of emotional responses to musical stimuli. While older approaches to music emotion recognition systems frequently addressed this uncertainty problem through probabilistic modeling, modern systems based on neural networks tend to ignore the variability and focus only on predicting central tendencies of human subjective responses. In this work, we explore several methods for estimating not only the central tendencies of the subjective responses to a musical stimulus, but also for estimating the uncertainty associated with these responses. In particular, we investigate probabilistic loss functions and inference-time random sampling. Experimental results indicate that while the modeling of the central tendencies is achievable, modeling of the uncertainty in subjective responses proves significantly more challenging with currently available approaches even when empirical estimates of variations in the responses are available.
• Abstract（参考訳）: 主観的タスクのためのデータアノテーションは、個人間の潜在的なバリエーションを示す。 これは特に音楽刺激に対する感情反応の注釈に当てはまる。 音楽感情認識システムに対する古いアプローチは確率論的モデリングによってこの不確実性問題にしばしば対処するが、ニューラルネットワークに基づく現代のシステムは、変動性を無視し、人間の主観的反応の中央の傾向を予測することにのみ焦点をあてる傾向にある。 本研究では,音楽刺激に対する主観的反応の主観的傾向を推定するだけでなく,これらの反応に関連する不確かさを推定するためのいくつかの手法を検討する。 特に確率的損失関数と推定時間ランダムサンプリングについて検討する。 実験結果から, 主観的応答の不確かさのモデル化は, 中心傾向のモデル化が可能である一方で, 応答の変動の実験的推定が可能である場合でも, 現在利用可能なアプローチでは極めて困難であることが示唆された。

関連論文リスト

• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
  本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
  論文  参考訳（メタデータ） (2023-02-28T13:17:56Z)
• Epistemic Uncertainty-Weighted Loss for Visual Bias Mitigation [6.85474615630103]
  偏見の存在を完全に無視する探索手法の妥当性を論じる。 本稿では,予測不確実性重み付き損失関数を持つベイズニューラルネットワークを用いて潜在的なバイアスを特定することを提案する。 本手法は、バイアスベンチマークデータセットや実世界の顔検出問題において、視覚バイアスを緩和する可能性があることを示す。
  論文  参考訳（メタデータ） (2022-04-20T11:01:51Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• STUaNet: Understanding uncertainty in spatiotemporal collective human mobility [11.436035608461966]
  本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。 提案手法は予測と不確かさの両面において優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-09T01:43:27Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Ramifications of Approximate Posterior Inference for Bayesian Deep Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
  ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。 予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
  論文  参考訳（メタデータ） (2020-09-03T16:58:15Z)
• Dropout Strikes Back: Improved Uncertainty Estimation via Diversity Sampling [3.077929914199468]
  ニューラルネットワークにおけるドロップアウト層に対するサンプリング分布の変更により,不確実性評価の品質が向上することを示す。 主要なアイデアは、ニューロン間のデータ駆動相関を計算し、最大多様なニューロンを含むサンプルを生成する、という2つの主要なステップで構成されています。
  論文  参考訳（メタデータ） (2020-03-06T15:20:04Z)

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。