論文の概要: Unobtrusive In-Situ Measurement of Behavior Change by Deep Metric Similarity Learning of Motion Patterns

• arxiv url: http://arxiv.org/abs/2509.04174v1
• Date: Thu, 04 Sep 2025 12:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.161752
• Title: Unobtrusive In-Situ Measurement of Behavior Change by Deep Metric Similarity Learning of Motion Patterns
• Title（参考訳）: 運動パターンの深部距離類似性学習による行動変化の観測
• Authors: Christian Merz, Lukas Schach, Marie Luisa Fiedler, Jean-Luc Lugrin, Carolin Wienrich, Marc Erich Latoschik,
• Abstract要約: 本稿では,XRシステムにおける任意の露光時のユーザの行動変化をその場で検出する手法を提案する。 本稿では,高次元埋め込みを参照ベクトルとして用いたディープメトリック類似性学習に基づくバイオメトリック・ユーザ・モデルを提案する。
• 参考スコア（独自算出の注目度）: 25.896192890947216
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper introduces an unobtrusive in-situ measurement method to detect user behavior changes during arbitrary exposures in XR systems. Here, such behavior changes are typically associated with the Proteus effect or bodily affordances elicited by different avatars that the users embody in XR. We present a biometric user model based on deep metric similarity learning, which uses high-dimensional embeddings as reference vectors to identify behavior changes of individual users. We evaluate our model against two alternative approaches: a (non-learned) motion analysis based on central tendencies of movement patterns and subjective post-exposure embodiment questionnaires frequently used in various XR exposures. In a within-subject study, participants performed a fruit collection task while embodying avatars of different body heights (short, actual-height, and tall). Subjective assessments confirmed the effective manipulation of perceived body schema, while the (non-learned) objective analyses of head and hand movements revealed significant differences across conditions. Our similarity learning model trained on the motion data successfully identified the elicited behavior change for various query and reference data pairings of the avatar conditions. The approach has several advantages in comparison to existing methods: 1) In-situ measurement without additional user input, 2) generalizable and scalable motion analysis for various use cases, 3) user-specific analysis on the individual level, and 4) with a trained model, users can be added and evaluated in real time to study how avatar changes affect behavior.
• Abstract（参考訳）: 本稿では,XRシステムにおける任意の露光時のユーザの行動変化を検出するために,非侵襲的なin-situ測定手法を提案する。 ここでは、このような行動変化は典型的には、ユーザーがXRで具現化している異なるアバターによって引き起こされるプロテウス効果や身体的余裕と関連づけられる。 本稿では,高次元埋め込みを参照ベクトルとして利用し,個々のユーザの行動変化を同定する,深度メートル法類似性学習に基づく生体計測ユーザモデルを提案する。 我々は,移動パターンの中央傾向に基づく(学習されていない)動作分析と,様々なXR露光で頻繁に使用される主観的露光後実施アンケートの2つのアプローチに対して,本モデルを評価した。 被験者は体高の異なるアバター(短さ、実高さ、身長)を具現化しながら、果実収集作業を行った。 主観的評価では知覚的身体スキーマの効果的な操作が確認されたが, 頭部と手の動きの客観的な分析では, 条件によって有意な差異が認められた。 動作データに基づいて学習した類似性学習モデルは,アバター条件の様々なクエリと参照データペアリングに対して,引き起こされた行動変化をうまく同定した。 既存の方法と比較して、このアプローチにはいくつかの利点があります。 1)追加のユーザ入力なしでのその場測定。 2)様々なユースケースに対する一般化可能かつスケーラブルな動作解析 3)個人レベルでのユーザ固有の分析、及び 4) トレーニングされたモデルでは,アバターの変化が行動に与える影響を研究するために,ユーザがリアルタイムで追加し,評価することができる。

関連論文リスト

• Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
  我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。 我々は500人以上の参加者から行動データの35万件の試行を収集した。 次に、一般的な視覚モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:13Z)
• Disentangled Interaction Representation for One-Stage Human-Object Interaction Detection [70.96299509159981]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、人間中心の画像理解のコアタスクである。 最近のワンステージ手法では、対話予測に有用な画像ワイドキューの収集にトランスフォーマーデコーダを採用している。 従来の2段階の手法は、非絡み合いで説明可能な方法で相互作用特徴を構成する能力から大きな恩恵を受ける。
  論文  参考訳（メタデータ） (2023-12-04T08:02:59Z)
• What User Behaviors Make the Differences During the Process of Visual Analytics? [1.5285292154680246]
  本研究では,ユーザ行動の包括的データ収集と時系列分類手法を用いた分析手法を提案する。 ユーザスタディでは,デスクトップと没入型2種類の可視化システムを用いて,多様な可視化タスクのユーザ行動を収集している。 この結果から,視覚分析の過程でユーザ行動の区別が可能であり,ユーザの身体行動とそれらが実行する可視化タスクとの間には強い関連性があることが判明した。
  論文  参考訳（メタデータ） (2023-11-01T17:45:52Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Causal Estimation of User Learning in Personalized Systems [5.016998307223021]
  パーソナライズされたシステムにおけるユーザアクションの非パラメトリック因果モデルを導入する。 ユーザ学習効果を測定するために設計されたCookie-Cookie-Day実験は、パーソナライズされると偏りが生じる。 我々は,パーソナライズシステムに介入し,ユーザ学習とパーソナライズを通じて媒介される因果効果を別々に識別するために必要なバリエーションを生成する新しい実験設計を導出した。
  論文  参考訳（メタデータ） (2023-06-01T09:37:43Z)
• Self-similarity Driven Scale-invariant Learning for Weakly Supervised Person Search [66.95134080902717]
  自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。 本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。 PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-02-25T04:48:11Z)
• Impact of Feedback Type on Explanatory Interactive Learning [4.039245878626345]
  Explanatory Interactive Learning (XIL)は、Human-in-the-Loop(HITL)ベースの対話型学習シナリオを実装するために、視覚モデルの説明に関するユーザフィードバックを収集する。 画像分類タスクにおける2つの異なるユーザフィードバックタイプの有効性を比較した。 本研究では,モデルに有効な画像特徴にフォーカスするよう指示するユーザフィードバックよりも優れた分類と説明の精度で,モデルが有意な結果を見出すような突発的な画像特徴の識別と注釈を示す。
  論文  参考訳（メタデータ） (2022-09-26T07:33:54Z)
• End-to-End Models for the Analysis of System 1 and System 2 Interactions based on Eye-Tracking Data [99.00520068425759]
  本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。 統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。 機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
  論文  参考訳（メタデータ） (2020-02-03T17:46:13Z)

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。