論文の概要: Affective Priming Score: A Data-Driven Method to Detect Priming in Sequential Datasets

• arxiv url: http://arxiv.org/abs/2506.20204v1
• Date: Wed, 25 Jun 2025 07:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.650496
• Title: Affective Priming Score: A Data-Driven Method to Detect Priming in Sequential Datasets
• Title（参考訳）: Affective Priming Score: シーケンスデータセットにおけるプライミングを検出するデータ駆動方式
• Authors: Eduardo Gutierrez Maestro, Hadi Banaee, Amy Loutfi,
• Abstract要約: 感情プライミング(Affective priming)は、感情コンピューティングにおけるあいまいさの課題を例証する。 プライミングによって影響を受けるデータは、学習モデルで使用される際の誤分類につながる可能性がある。 本研究では,プライミング効果に影響されたデータ点を検出するデータ駆動方式であるAffective Priming Score (APS)を提案する。
• 参考スコア（独自算出の注目度）: 2.9299398866044557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Affective priming exemplifies the challenge of ambiguity in affective computing. While the community has largely addressed this issue from a label-based perspective, identifying data points in the sequence affected by the priming effect, the impact of priming on data itself, particularly in physiological signals, remains underexplored. Data affected by priming can lead to misclassifications when used in learning models. This study proposes the Affective Priming Score (APS), a data-driven method to detect data points influenced by the priming effect. The APS assigns a score to each data point, quantifying the extent to which it is affected by priming. To validate this method, we apply it to the SEED and SEED-VII datasets, which contain sufficient transitions between emotional events to exhibit priming effects. We train models with the same configuration using both the original data and priming-free sequences. The misclassification rate is significantly reduced when using priming-free sequences compared to the original data. This work contributes to the broader challenge of ambiguity by identifying and mitigating priming effects at the data level, enhancing model robustness, and offering valuable insights for the design and collection of affective computing datasets.
• Abstract（参考訳）: 感情プライミング(Affective priming)は、感情コンピューティングにおけるあいまいさの課題を例証する。 コミュニティは、プライミング効果によって影響を受けるシーケンス内のデータポイントを特定するというラベルに基づく観点からこの問題に対処してきたが、プライミングがデータ自身、特に生理的信号に与える影響は、まだ未解明のままである。 プライミングによって影響を受けるデータは、学習モデルで使用される際の誤分類につながる可能性がある。 本研究では,プライミング効果に影響されたデータ点を検出するデータ駆動方式であるAffective Priming Score (APS)を提案する。 APSは各データポイントにスコアを割り当て、プライミングの影響範囲を定量化する。 本手法を検証するために,情緒的事象間の十分な遷移を含むSEEDおよびSEED-VIIデータセットに適用し,プライミング効果を示す。 我々は、元のデータとプライミングフリーシーケンスの両方を使用して、同じ構成のモデルを訓練する。 プリミングフリーシーケンスを使用すると、元のデータと比較して誤分類率が大幅に低下する。 この研究は、データレベルでプライミング効果を特定し緩和し、モデルの堅牢性を高め、感情的なコンピューティングデータセットの設計と収集に価値ある洞察を提供することによって、あいまいさの幅広い課題に寄与する。

関連論文リスト

• Extending Dataset Pruning to Object Detection: A Variance-based Approach [0.0]
  本稿では,オブジェクト検出領域への分類プルーニング手法の最初の拡張について述べる。 可変ベース予測スコア(VPS)と呼ばれる新しいスコアリング手法を含む、最適化された解を提案する。 私たちのワークブリッジは、データセットのプルーニングとオブジェクト検出、複雑なビジョンタスクにおけるデータセットプルーニングの道を開くものです。
  論文  参考訳（メタデータ） (2025-05-22T19:46:51Z)
• Disentangled Graph Autoencoder for Treatment Effect Estimation [1.361700725822891]
  本稿では,ネットワーク化された観測データに対する処理効果推定のための非交叉変分グラフオートエンコーダを提案する。 我々のグラフエンコーダは、潜伏因子を、ヒルベルト・シュミット独立基準を用いて因子独立を強制しながら、楽器的、障害的、調整的、ノイズ的な要因に分解する。
  論文  参考訳（メタデータ） (2024-12-19T03:44:49Z)
• Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
  我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。 軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。 データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-12T18:28:55Z)
• On the Influence of Data Resampling for Deep Learning-Based Log Anomaly Detection: Insights and Recommendations [10.931620604044486]
  本研究は,多様なデータ再サンプリング手法が既存のADアプローチに与える影響を詳細に分析する。 クラス不均衡のレベルが異なる4つのデータセットにまたがるこれらのADアプローチの性能を評価する。 正常なデータと異常なデータの最適な再サンプリング率を利用する際のデータ再サンプリング手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-05-06T14:01:05Z)
• Semi-Supervised Object Detection with Uncurated Unlabeled Data for Remote Sensing Images [16.660668160785615]
  半教師付きオブジェクト検出(SSOD)手法は、ラベルのないデータに対して擬似ラベルを生成することでこの問題に対処する。 しかし、現実の状況では、ラベルなしデータセット内の分布外サンプル(OOD)と分布内サンプル(ID)が混在する可能性がある。 未ラベルデータに対するOpen-Set Semi-Supervised Object Detection (OSSOD)を提案する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:31Z)
• A Pretrainer's Guide to Training Data: Measuring the Effects of Data Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
  この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。 以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T15:57:53Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• 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)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。