論文の概要: HCFSLN: Adaptive Hyperbolic Few-Shot Learning for Multimodal Anxiety Detection

• arxiv url: http://arxiv.org/abs/2511.06988v1
• Date: Mon, 10 Nov 2025 11:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.219312
• Title: HCFSLN: Adaptive Hyperbolic Few-Shot Learning for Multimodal Anxiety Detection
• Title（参考訳）: HCFSLN:マルチモーダル不安検出のための適応型ハイパーボリックFew-Shot学習
• Authors: Aditya Sneh, Nilesh Kumar Sahu, Anushka Sanjay Shelke, Arya Adyasha, Haroon R. Lone,
• Abstract要約: 不安障害は世界中で何百万にも及ぶが、従来の診断は臨床面接に依存している。 マルチモーダルな不安検出,音声の統合,生理信号,ビデオデータのための新しいFew-Shot LearningフレームワークであるHyperbolic Curvature Few-Shot Learning Networkを紹介する。
• 参考スコア（独自算出の注目度）: 1.2396474483677118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anxiety disorders impact millions globally, yet traditional diagnosis relies on clinical interviews, while machine learning models struggle with overfitting due to limited data. Large-scale data collection remains costly and time-consuming, restricting accessibility. To address this, we introduce the Hyperbolic Curvature Few-Shot Learning Network (HCFSLN), a novel Few-Shot Learning (FSL) framework for multimodal anxiety detection, integrating speech, physiological signals, and video data. HCFSLN enhances feature separability through hyperbolic embeddings, cross-modal attention, and an adaptive gating network, enabling robust classification with minimal data. We collected a multimodal anxiety dataset from 108 participants and benchmarked HCFSLN against six FSL baselines, achieving 88% accuracy, outperforming the best baseline by 14%. These results highlight the effectiveness of hyperbolic space for modeling anxiety-related speech patterns and demonstrate FSL's potential for anxiety classification.
• Abstract（参考訳）: 不安障害は世界中で何百万にも及ぶが、従来の診断は臨床面接に依存している。 大規模なデータ収集は高価で時間を要するため、アクセシビリティが制限される。 そこで我々は,マルチモーダルな不安検出,音声の統合,生理信号,ビデオデータのための新しいFSLフレームワークであるHyperbolic Curvature Few-Shot Learning Network (HCFSLN)を紹介する。 HCFSLNは、双曲埋め込み、クロスモーダルアテンション、適応ゲーティングネットワークを通じて特徴分離性を高め、最小限のデータによるロバストな分類を可能にする。 被験者108名からマルチモーダル不安データセットを収集し,6つのFSLベースラインに対してHCFSLNをベンチマークし,88%の精度で最高のベースラインを14%上回った。 これらの結果は、不安関連音声パターンをモデル化するための双曲空間の有効性を強調し、不安分類におけるFSLの可能性を示す。

関連論文リスト

• Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning [0.0]
  本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。 我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。 提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
  論文  参考訳（メタデータ） (2025-11-05T18:18:09Z)
• Robust Classification of Oral Cancer with Limited Training Data [0.0]
  本稿では,小さな訓練セットを用いた口腔癌分類のための,畳み込みニューラルネットワーク(CNN)とベイズ深層学習を組み合わせたハイブリッドモデルを提案する。 提案したモデルは、従来のCNNのパフォーマンスに匹敵する、トレーニングデータと同様の分布を持つテストデータセットで94%の精度を達成した。 信頼分析の結果, 正しい分類標本に対する不確実性(高い信頼度)と誤分類標本に対する不確実性(低い信頼度)が認められた。
  論文  参考訳（メタデータ） (2025-10-02T00:40:53Z)
• Addressing High Class Imbalance in Multi-Class Diabetic Retinopathy Severity Grading with Augmentation and Transfer Learning [1.5939351525664014]
  本稿では,2型および5型糖尿病網膜症(DR)分類のための堅牢なディープラーニングフレームワークを提案する。 2値分類では, 99.9%の精度, 98.6%の精度, 99.3%のリコール, 98.9%のF1スコア, 99.4%のAUCが得られた。 より困難な5クラス重度分類タスクでは、84.6%の競合精度と94.1%のAUCが、いくつかの既存手法より優れている。
  論文  参考訳（メタデータ） (2025-07-23T01:52:27Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
  そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。 本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。 さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
  論文  参考訳（メタデータ） (2020-04-21T00:57:11Z)

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。