論文の概要: More Similar than Dissimilar: Modeling Annotators for Cross-Corpus Speech Emotion Recognition

• arxiv url: http://arxiv.org/abs/2509.12295v1
• Date: Mon, 15 Sep 2025 15:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.691683
• Title: More Similar than Dissimilar: Modeling Annotators for Cross-Corpus Speech Emotion Recognition
• Title（参考訳）: 異種よりも類似性:クロスコーパス音声感情認識のためのアノテーションのモデル化
• Authors: James Tavernor, Emily Mower Provost,
• Abstract要約: 本研究では,前述したアノテータを同定するために,大面積のアノテータに事前学習したモデルを用いて,アノテータ間の類似性を活用することを提案する。 われわれのアプローチは、他の既成のアプローチよりも大幅に優れており、軽量な感情適応の道を開いた。
• 参考スコア（独自算出の注目度）: 10.184056098238765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech emotion recognition systems often predict a consensus value generated from the ratings of multiple annotators. However, these models have limited ability to predict the annotation of any one person. Alternatively, models can learn to predict the annotations of all annotators. Adapting such models to new annotators is difficult as new annotators must individually provide sufficient labeled training data. We propose to leverage inter-annotator similarity by using a model pre-trained on a large annotator population to identify a similar, previously seen annotator. Given a new, previously unseen, annotator and limited enrollment data, we can make predictions for a similar annotator, enabling off-the-shelf annotation of unseen data in target datasets, providing a mechanism for extremely low-cost personalization. We demonstrate our approach significantly outperforms other off-the-shelf approaches, paving the way for lightweight emotion adaptation, practical for real-world deployment.
• Abstract（参考訳）: 音声感情認識システムは、複数のアノテータのレーティングから生成されるコンセンサス値をしばしば予測する。 しかしながら、これらのモデルは一人の人のアノテーションを予測する能力に制限がある。 あるいは、モデルがすべてのアノテーションのアノテーションを予測することができる。 このようなモデルを新しいアノテータに適用することは困難であり、新しいアノテータは個別に十分なラベル付きトレーニングデータを提供する必要がある。 本研究では,前述したアノテータを同定するために,大面積のアノテータに事前学習したモデルを用いて,アノテータ間の類似性を活用することを提案する。 新たに、未確認のアノテータと限定的な登録データを考えると、同様のアノテータの予測が可能になり、ターゲットデータセットにおける未確認データのオフザシェルアノテーションが可能になり、極めて低コストなパーソナライズのためのメカニズムを提供する。 当社のアプローチは他の既成のアプローチよりも大幅に優れており、現実のデプロイメントに実用的な、軽量な感情適応の道を開いたのです。

関連論文リスト

• Conv4Rec: A 1-by-1 Convolutional AutoEncoder for User Profiling through Joint Analysis of Implicit and Explicit Feedbacks [35.7275102787435]
  ユーザモデリングとレコメンデーションタスクのための新しい畳み込み型AutoEncoderアーキテクチャを導入する。 このモデルでは,明示的な評価とサンプリングパターンの暗黙的な情報の両方から,共同で学習することができる。 いくつかの実生活データセットの実験において、暗黙的および明示的なフィードバック予測タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-09T08:25:11Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Capturing Perspectives of Crowdsourced Annotators in Subjective Learning Tasks [9.110872603799839]
  監督された分類は、人間によって注釈付けされたデータセットに大きく依存する。 毒性分類などの主観的なタスクでは、これらのアノテーションはラッカー間での合意が低くなることが多い。 本研究では、主観的分類タスクのためのtextbfAnnotator Awares for Texts (AART) を提案する。
  論文  参考訳（メタデータ） (2023-11-16T10:18:32Z)
• Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot Text Classification Tasks [75.42002070547267]
  テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。 モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T23:43:23Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• SeedBERT: Recovering Annotator Rating Distributions from an Aggregated Label [43.23903984174963]
  単一ラベルからアノテータ評価分布を復元するSeedBERTを提案する。 人間の評価は,SeedBERTの注意機構がアノテータの不一致の原因と一致していることを示している。
  論文  参考訳（メタデータ） (2022-11-23T18:35:15Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Disjoint Contrastive Regression Learning for Multi-Sourced Annotations [10.159313152511919]
  大規模データセットはディープラーニングモデルの開発に重要である。 複数のアノテータを使用して、データの異なるサブセットをラベル付けすることができる。 異なるアノテータ間の矛盾とバイアスはモデルトレーニングに有害である。
  論文  参考訳（メタデータ） (2021-12-31T12:39:04Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。