論文の概要: Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach

• arxiv url: http://arxiv.org/abs/2505.14449v2
• Date: Wed, 21 May 2025 17:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 13:19:52.363189
• Title: Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach
• Title（参考訳）: マルチラベル音声認識におけるサブグループ差の緩和:擬似ラベルと教師なし学習アプローチ
• Authors: Yi-Cheng Lin, Huang-Cheng Chou, Hung-yi Lee,
• Abstract要約: Implicit Demography Inference (IDI)モジュールはk平均クラスタリングを用いてカテゴリー音声感情認識(SER)のバイアスを軽減する 実験により,擬似ラベルIDIはサブグループの格差を減少させ,SERの精度を3%以下に抑えながら,フェアネスの指標を33%以上改善することが示された。 教師なしのIDIは人種と年齢格差を一貫して軽減し、明示的な人口統計情報が利用できないシナリオにおいてその可能性を示す。
• 参考スコア（独自算出の注目度）: 53.824673312331626
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While subgroup disparities and performance bias are increasingly studied in computational research, fairness in categorical Speech Emotion Recognition (SER) remains underexplored. Existing methods often rely on explicit demographic labels, which are difficult to obtain due to privacy concerns. To address this limitation, we introduce an Implicit Demography Inference (IDI) module that leverages pseudo-labeling from a pre-trained model and unsupervised learning using k-means clustering to mitigate bias in SER. Our experiments show that pseudo-labeling IDI reduces subgroup disparities, improving fairness metrics by over 33% with less than a 3% decrease in SER accuracy. Also, the unsupervised IDI yields more than a 26% improvement in fairness metrics with a drop of less than 4% in SER performance. Further analyses reveal that the unsupervised IDI consistently mitigates race and age disparities, demonstrating its potential in scenarios where explicit demographic information is unavailable.
• Abstract（参考訳）: サブグループの格差や性能バイアスが計算研究でますます研究されているが、分類的音声感情認識(SER)の公平性はいまだに未解明である。 既存の手法は、しばしば明示的な人口統計ラベルに依存しており、プライバシー上の懸念から入手するのが困難である。 この制限に対処するために,事前学習モデルからの擬似ラベル付けとk-meansクラスタリングによる教師なし学習を利用して,SERのバイアスを軽減するImplicit Demography Inference(IDI)モジュールを導入する。 実験の結果,擬似ラベルIDIはサブグループの格差を減らし,SERの精度を3%以下で33%以上改善した。 また、教師なしのIDIは、SERパフォーマンスの4%未満の低下で、フェアネス指標を26%以上改善する。 さらに分析したところ、教師なしのIDIは人種と年齢格差を一貫して緩和し、明示的な人口統計情報が利用できないシナリオにおいてその可能性を実証している。

関連論文リスト

• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Adversarial Reweighting Guided by Wasserstein Distance for Bias Mitigation [24.160692009892088]
  データ中のマイノリティの下位表現は、学習中のサブポピュレーションの異なる扱いを困難にしている。 本稿では,このような表現バイアスに対処する新たな逆方向再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T15:46:11Z)
• Algorithmic Censoring in Dynamic Learning Systems [6.2952076725399975]
  検閲を形式化し、その発生方法を示し、検出の難しさを強調します。 我々は、検閲に対する保護 - 規則とランダムな探索 - を考える。 結果として得られたテクニックにより、検閲されたグループの例がトレーニングデータに入力され、モデルを修正できる。
  論文  参考訳（メタデータ） (2023-05-15T21:42:22Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Information-Theoretic Bias Assessment Of Learned Representations Of Pretrained Face Recognition [18.07966649678408]
  保護された人口統計属性に対するバイアスの度合いを特定するために,情報理論,独立バイアス評価指標を提案する。 我々の測定基準は、分類精度に依存する他の方法と異なり、浅いネットワークを用いて予測される保護属性の予測ラベルと地上の真実の差を調べる。
  論文  参考訳（メタデータ） (2021-11-08T17:41:17Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。