論文の概要: Window-Based Feature Engineering for Cognitive Workload Detection
- arxiv url: http://arxiv.org/abs/2511.01060v1
- Date: Sun, 02 Nov 2025 19:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:27.048348
- Title: Window-Based Feature Engineering for Cognitive Workload Detection
- Title（参考訳）: 認知的ワークロード検出のためのウィンドウベース特徴工学
- Authors: Andrew Hallam, R G Gayathri, Glory Lee, Atul Sajjanhar,
- Abstract要約: 我々は,COLETデータセットを用いた認知的ワークロードの分類に重点を置いている。
既存の研究で使われている機能を強化するために,ウィンドウベースの時間分割を適用した。
ディープラーニングモデルは、従来の機械学習手法を精度、F1スコア、精度、分類精度で上回った。
- 参考スコア（独自算出の注目度）: 2.949890760187897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive workload is a topic of increasing interest across various fields such as health, psychology, and defense applications. In this research, we focus on classifying cognitive workload using the COLET dataset, employing a window-based approach for feature generation and machine/deep learning techniques for classification. We apply window-based temporal partitioning to enhance features used in existing research, followed by machine learning and deep learning models to classify different levels of cognitive workload. The results demonstrate that deep learning models, particularly tabular architectures, outperformed traditional machine learning methods in precision, F1-score, accuracy, and classification precision. This study highlights the effectiveness of window-based temporal feature extraction and the potential of deep learning techniques for real-time cognitive workload assessment in complex and dynamic tasks.
- Abstract（参考訳）: 認知的作業負荷は、健康、心理学、防衛など様々な分野への関心が高まりつつあるトピックである。
本研究では,COLETデータセットを用いた認知的ワークロードの分類に焦点をあて,特徴生成のためのウィンドウベースのアプローチと,分類のためのマシン/ディープ学習手法を用いる。
既存の研究で使われている機能を強化するためにウィンドウベースの時間分割を適用し、続いて機械学習とディープラーニングモデルを用いて認知負荷の異なるレベルを分類する。
その結果,ディープラーニングモデル,特に表型アーキテクチャは,従来の機械学習手法よりも精度,F1スコア,精度,分類精度が優れていた。
本研究では,ウィンドウベースの時間的特徴抽出の有効性と,複雑・動的タスクにおけるリアルタイム認知作業負荷評価における深層学習の可能性を明らかにする。
関連論文リスト
- Music Genre Classification Using Machine Learning Techniques [0.0]
本稿では,自動ジャンル分類のための機械学習手法の比較分析を行う。
本研究では,SVM(Support Vector Machines)やアンサンブル手法を含む古典的分類器の性能を評価する。
ドメイン固有の特徴工学を活用するSVMは、エンドツーエンドのCNNモデルよりも優れた分類精度を実現する。
論文 参考訳（メタデータ） (2025-09-01T20:43:55Z) - Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。
本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。
本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文 参考訳（メタデータ） (2025-07-31T05:34:27Z) - Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。
質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。
これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
論文 参考訳（メタデータ） (2025-06-03T14:44:48Z) - Temporal Graph Memory Networks For Knowledge Tracing [0.40964539027092906]
本稿では,深部時間グラフメモリネットワークを用いて,知識状態の関連性と時間的ダイナミクスを協調的にモデル化する手法を提案する。
また,グラフメモリモジュール上の時間減衰制約を用いて,学生の忘れ行動を表現する汎用手法を提案する。
論文 参考訳（メタデータ） (2024-09-23T07:47:02Z) - Efficient Search for Customized Activation Functions with Gradient Descent [42.20716255578699]
異なるアクティベーション関数は、異なるディープラーニングモデルに最適である。
本稿では,基本的な数学的操作と活性化関数のモデル化を組み合わせた,きめ細かい検索セルを提案する。
我々のアプローチは、特別なアクティベーションの識別を可能にし、試したすべてのモデルのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-08-13T11:27:31Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Generative Model-based Feature Knowledge Distillation for Action
Recognition [11.31068233536815]
本稿では,軽量学生モデルの学習のための生成モデルを用いた,革新的な知識蒸留フレームワークについて紹介する。
提案手法の有効性は,多種多様な人気データセットに対する総合的な実験によって実証される。
論文 参考訳（メタデータ） (2023-12-14T03:55:29Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Mechanism of feature learning in deep fully connected networks and
kernel machines that recursively learn features [15.29093374895364]
我々は,ニューラルネットワークが勾配特徴を学習するメカニズムを同定し,特徴付ける。
私たちのアンザッツは、突発的な特徴の出現や単純さのバイアスなど、さまざまな深層学習現象に光を当てています。
この特徴学習機構の有効性を実証するため,古典的非機能学習モデルにおいて特徴学習を可能にする。
論文 参考訳（メタデータ） (2022-12-28T15:50:58Z) - Towards a Predictive Processing Implementation of the Common Model of
Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。
提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文 参考訳（メタデータ） (2021-05-15T22:55:23Z)
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。