論文の概要: Task Decoding based on Eye Movements using Synthetic Data Augmentation

• arxiv url: http://arxiv.org/abs/2509.11547v1
• Date: Mon, 15 Sep 2025 03:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.137142
• Title: Task Decoding based on Eye Movements using Synthetic Data Augmentation
• Title（参考訳）: 合成データ拡張を用いた眼球運動に基づくタスクデコーディング
• Authors: Shanmuka Sadhu, Arca Baran, Preeti Pandey, Ayush Kumar,
• Abstract要約: より多くの眼球運動データと追加の合成合成データを組み合わせることで、従来の機械学習アルゴリズムでさえ分類精度が向上することを示す。 提案するフレームワークは、追加の合成データセットを使用することにより、このデータセットで利用可能なすべての研究より優れている。
• 参考スコア（独自算出の注目度）: 1.7520505947888771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has been extensively used in various applications related to eye-tracking research. Understanding eye movement is one of the most significant subsets of eye-tracking research that reveals the scanning pattern of an individual. Researchers have thoroughly analyzed eye movement data to understand various eye-tracking applications, such as attention mechanisms, navigational behavior, task understanding, etc. The outcome of traditional machine learning algorithms used for decoding tasks based on eye movement data has received a mixed reaction to Yarbus' claim that it is possible to decode the observer's task from their eye movements. In this paper, to support the hypothesis by Yarbus, we are decoding tasks categories while generating synthetic data samples using well-known Synthetic Data Generators CTGAN and its variations such as CopulaGAN and Gretel AI Synthetic Data generators on available data from an in-person user study. Our results show that augmenting more eye movement data combined with additional synthetically generated improves classification accuracy even with traditional machine learning algorithms. We see a significant improvement in task decoding accuracy from 28.1% using Random Forest to 82% using Inception Time when five times more data is added in addition to the 320 real eye movement dataset sample. Our proposed framework outperforms all the available studies on this dataset because of the use of additional synthetic datasets. We validated our claim with various algorithms and combinations of real and synthetic data to show how decoding accuracy increases with the increase in the augmentation of generated data to real data.
• Abstract（参考訳）: 機械学習は、視線追跡研究に関する様々な応用で広く使われている。 眼球運動を理解することは、個人の走査パターンを明らかにする眼球追跡研究の最も重要なサブセットの1つである。 研究者は、注意機構、ナビゲーション行動、タスク理解など、さまざまな視線追跡アプリケーションを理解するために、眼球運動データを徹底的に分析した。 眼球運動データに基づくタスクの復号化に使用される従来の機械学習アルゴリズムの結果は、観察者のタスクを眼球運動から復号することが可能であるというヤルバスの主張に混合反応した。 本稿では、Yarbusによる仮説を支持するために、よく知られたSynthetic Data Generators CTGANと、CopulaGANやGretel AI Synthetic Data Generatorsなどの様々なデータを用いて、個人によるユーザスタディから利用可能なデータに基づいて、合成データサンプルを生成しながら、タスクカテゴリをデコードする。 以上の結果から,より多くの眼球運動データと合成合成データを組み合わせることで,従来の機械学習アルゴリズムにおいても,分類精度が向上することが示唆された。 タスク復号精度はランダムフォレストで28.1%からインセプションタイムで82%に向上した。 提案するフレームワークは、追加の合成データセットを使用することにより、このデータセットで利用可能なすべての研究より優れている。 我々は,生成したデータから実データへの増大に伴う復号精度の増大を示すために,実データと合成データの組み合わせと様々なアルゴリズムによるクレームの検証を行った。

関連論文リスト

• Synthetic Dataset Generation for Autonomous Mobile Robots Using 3D Gaussian Splatting for Vision Training [0.708987965338602]
  本論文では,Unreal Engineにおける注釈付き合成データの自動生成手法を提案する。 合成データセットが実世界のデータセットに匹敵する性能を達成できることを実証する。 これは、ロボットサッカーにおけるオブジェクト検出アルゴリズムのトレーニングのための合成データの最初の応用である。
  論文  参考訳（メタデータ） (2025-06-05T14:37:40Z)
• Synthetic ECG Generation for Data Augmentation and Transfer Learning in Arrhythmia Classification [1.7614607439356635]
  本稿では,Deep Learningと異なる生成モデルを用いて生成した合成データの有用性について検討する。 本研究では, 合成事前学習モデルを微調整し, 実データの比率を増大させることにより, 伝達学習の効果について検討する。
  論文  参考訳（メタデータ） (2024-11-27T15:46:34Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Learning from Synthetic Data for Visual Grounding [55.21937116752679]
  そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。 SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
  論文  参考訳（メタデータ） (2024-03-20T17:59:43Z)
• ParGANDA: Making Synthetic Pedestrians A Reality For Object Detection [2.7648976108201815]
  本稿では,GAN(Generative Adversarial Network)を用いて,実データと合成データのギャップを埋めることを提案する。 我々のアプローチは、視覚的に可視なサンプルを生成するだけでなく、実際のドメインのラベルも必要としない。
  論文  参考訳（メタデータ） (2023-07-21T05:26:32Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• CLRGaze: Contrastive Learning of Representations for Eye Movement Signals [0.0]
  眼球運動の特徴ベクトルを自己指導的に学習する。 我々は、対照的な学習アプローチを採用し、深層ニューラルネットワークが顕著な視線パターンと粒度のパターンを識別することを奨励する一連のデータ変換を提案する。
  論文  参考訳（メタデータ） (2020-10-25T06:12:06Z)
• Towards End-to-end Video-based Eye-Tracking [50.0630362419371]
  画像のみから視線を推定することは、観察不可能な人固有の要因のために難しい課題である。 本稿では,これらの意味的関係と時間的関係を明確に学習することを目的とした,新しいデータセットとアタッチメント手法を提案する。 視覚刺激からの情報と視線画像の融合が,文献に記録された人物と同じような性能を達成することにつながることを実証した。
  論文  参考訳（メタデータ） (2020-07-26T12:39:15Z)
• Deflating Dataset Bias Using Synthetic Data Augmentation [8.509201763744246]
  自律走行車(AV)の視覚タスクの最先端の手法は、教師あり学習に依存している。 本研究の目的は,視覚タスクにおける実際のデータセットのギャップを埋めるために,ターゲットとなる合成データ拡張の利用を検討することである。 AVに実用的な3つの異なるコンピュータビジョンタスクに関する実証研究は、トレーニングミックスに合成データを持つことは、クロスデータセットの一般化性能を著しく向上させることを一貫して示している。
  論文  参考訳（メタデータ） (2020-04-28T21:56:10Z)

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。