論文の概要: Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction

• arxiv url: http://arxiv.org/abs/2604.07198v1
• Date: Wed, 08 Apr 2026 15:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.607908
• Title: Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction
• Title（参考訳）: Beyond the Mean: 継続的影響予測におけるアノテーション分布のモデル化
• Authors: Kosmas Pinitas, Ilias Maglogiannis,
• Abstract要約: ベータ分布を用いたアノテーションのコンセンサスをモデル化する分散対応フレームワークを提案する。 モデルでは、単一の影響値を予測する代わりに、アノテーション分布の平均と標準偏差を推定する。 その結果、このモデルは感情知覚の中心的な傾向だけでなく、アノテータ応答における変動性、非対称性、不確実性も捉えている。
• 参考スコア（独自算出の注目度）: 3.3187704612685267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion annotation is inherently subjective and cognitively demanding, producing signals that reflect diverse perceptions across annotators rather than a single ground truth. In continuous affect prediction, this variability is typically collapsed into point estimates such as the mean or median, discarding valuable information about annotator disagreement and uncertainty. In this work, we propose a distribution-aware framework that models annotation consensus using the Beta distribution. Instead of predicting a single affect value, models estimate the mean and standard deviation of the annotation distribution, which are transformed into valid Beta parameters through moment matching. This formulation enables the recovery of higher-order distributional descriptors, including skewness, kurtosis, and quantiles, in closed form. As a result, the model captures not only the central tendency of emotional perception but also variability, asymmetry, and uncertainty in annotator responses. We evaluate the proposed approach on the SEWA and RECOLA datasets using multimodal features. Experimental results show that Beta-based modelling produces predictive distributions that closely match the empirical annotator distributions while achieving competitive performance with conventional regression approaches. These findings highlight the importance of modelling annotation uncertainty in affective computing and demonstrate the potential of distribution-aware learning for subjective signal analysis.
• Abstract（参考訳）: 感情アノテーションは本質的に主観的かつ認知的に要求されるものであり、単一の根拠の真理ではなく、アノテーター間で多様な知覚を反映する信号を生成する。 連続的な影響予測では、この変数は通常、平均や中央値などの点推定に分解され、アノテータの不一致や不確実性に関する貴重な情報を捨てる。 本研究では,ベータ分布を用いたアノテーションのコンセンサスをモデル化する分散対応フレームワークを提案する。 モデルでは、単一の影響値を予測する代わりに、アノテーション分布の平均と標準偏差を推定し、モーメントマッチングによって有効なベータパラメータに変換する。 この定式化により、スキューネス、クルトーシス、量子化を含む高次分布記述子をクローズドな形で回収することができる。 その結果、このモデルは感情知覚の中心的な傾向だけでなく、アノテータ応答における変動性、非対称性、不確実性も捉えている。 マルチモーダル特徴を用いたSEWAおよびRECOLAデータセットに対する提案手法の評価を行った。 実験結果から, ベータベースモデルでは, 経験的アノテータ分布と密に一致した予測分布が生成され, 従来の回帰手法と競合する性能が得られた。 これらの知見は、感情計算におけるアノテーションの不確かさのモデル化の重要性を強調し、主観的信号解析における分布認識学習の可能性を示す。

関連論文リスト

• Uncertainty Estimation using Variance-Gated Distributions [0.6340400318304492]
  クラス確率分布の信号対雑音比に基づく不確実性推定と分解のための直感的なフレームワークを提案する。 本稿では,アンサンブルから導かれる信頼因子による予測をスケールする分散化指標を提案する。
  論文  参考訳（メタデータ） (2025-09-07T16:19:21Z)
• Beyond RMSE and MAE: Introducing EAUC to unmask hidden bias and unfairness in dyadic regression models [5.336076422485076]
  非均一な観測値分布が、最先端のモデルに深刻なバイアスをもたらすことを示す。 我々は、すべての研究領域とモデルでそれを定量化できる新しい指標として、Eccentricity-Area Under the Curve (EAUC)を紹介した。
  論文  参考訳（メタデータ） (2024-01-19T13:41:08Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• End-to-End Label Uncertainty Modeling in Speech Emotion Recognition using Bayesian Neural Networks and Label Distribution Learning [0.0]
  本稿では,アノテーションの分布をトレーニングし,主観性に基づくラベルの不確かさを捕捉するエンド・ツー・エンドのベイズニューラルネットワークを提案する。 提案手法は, 音声の感情認識において, 最先端の不確実性モデリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-30T12:55:43Z)
• Label Uncertainty Modeling and Prediction for Speech Emotion Recognition using t-Distributions [15.16865739526702]
  本稿では,学生のt分布を用いたラベル分布のモデル化を提案する。 我々は、対応するKulback-Leibler分散に基づく損失関数を導出し、感情ラベルの分布を推定するための推定器を訓練する。 その結果,我々のt分布に基づくアプローチは,最先端の不確実性モデリングの結果を伴うガウス的アプローチよりも改善されていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-07-25T12:38:20Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。