論文の概要: Resource-Constrained Affect Modelling via Variance Regularisation Pruning
- arxiv url: http://arxiv.org/abs/2605.27479v1
- Date: Tue, 26 May 2026 12:05:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.363213
- Title: Resource-Constrained Affect Modelling via Variance Regularisation Pruning
- Title（参考訳）: 可変正規化プルーニングによる資源制約の影響モデリング
- Authors: Kosmas Pinitas, Konstantinos Katsifis,
- Abstract要約: 本稿では、分散化プロセスに相互参加安定性を組み込んだプルーニングフレームワークであるVariance-Regularized Pruning(VR)を紹介する。
本研究では,9つのゲーム環境にまたがって収集された覚醒アノテーションを含むAGAINデータセットに対する提案手法を評価する。
- 参考スコア（独自算出の注目度）: 1.4323566945483497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Affective computing systems are increasingly embedded in pervasive and interactive environments, such as adaptive games, assistive technologies, and resource-constrained platforms, where computational efficiency must be balanced with reliability across diverse users. Model pruning offers an effective way to reduce computational demands, yet existing approaches typically optimise for sparsity alone, without accounting for how parameter removal impacts robustness across individuals. In this work, we introduce Variance-Regularised Pruning (VR), a pruning framework that explicitly incorporates cross-participant stability into the sparsification process. Rather than relying solely on average prediction error, VR evaluates each connection based on its joint contribution to both prediction accuracy and variability across users, prioritising parameters that remain reliable under distributional differences. We evaluate the proposed approach on the AGAIN dataset, which includes arousal annotations collected across nine affect-eliciting game environments. Experimental results demonstrate that VR maintains competitive Concordance Correlation Coefficient (CCC) performance even at 80\% sparsity without additional fine-tuning, highlighting its suitability for deployment in real-world, resource-limited affect-aware systems. Overall, the proposed framework supports the development of compact, robust affective models that can operate reliably in real-world interactive environments.
- Abstract（参考訳）: アダプティブゲーム、アシスト技術、リソース制約のあるプラットフォームなど、多岐にわたるインタラクティブな環境にコンピュータシステムが組み込まれており、計算効率は多様なユーザの信頼性とバランスをとらなければならない。
モデルプルーニングは、計算要求を減らす効果的な方法を提供するが、既存のアプローチは通常、パラメータ除去が個人間の堅牢性にどのように影響するかを考慮せずに、スパーシティのみを最適化する。
本研究は, 粒状化プロセスに参加者間安定性を明示的に組み込んだプルーニングフレームワークであるVariance-Regularized Pruning(VR)を紹介する。
平均的な予測エラーにのみ依存するのではなく、VRは各接続を、予測精度とユーザ間のばらつきの両方に対する共同貢献に基づいて評価し、分散的な違いの下で信頼性のあるパラメータを優先する。
本研究では,9つのゲーム環境にまたがって収集された覚醒アノテーションを含むAGAINデータセットに対する提案手法を評価する。
実験の結果,VR は80 % の間隔で競合コンコーダンス相関係数 (CCC) を維持でき,さらに微調整を行なわず,実世界のリソース制限された影響認識システムへの展開に適していることが示された。
提案するフレームワークは,現実の対話環境において確実に動作可能なコンパクトで堅牢な感情モデルの開発を支援する。
関連論文リスト
- Robust Personalized Recommendation under Hidden Confounding in MNAR [3.1497178896386995]
逆の確率重み付けと二重に頑健な推定器は、隠れた共同創設者の存在では信頼できない。
本稿では,ユーザレベルの感度境界を推定する新しいフレームワークを提案する。
提案手法は, 隠れたコンバウンディングの下でのグローバルな手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-05-20T11:53:12Z) - Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。
具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
論文 参考訳（メタデータ） (2026-05-09T15:30:52Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - Smart Sensor Placement: A Correlation-Aware Attribution Framework (CAAF) for Real-world Data Modeling [11.354527723215568]
最適センサー配置(OSP)は、実世界のシステムにおいて、効率的で正確な監視、制御、推論に重要である。
興味の量を予測するためのOSPを識別するための,機械学習に基づく特徴属性フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-26T03:50:16Z) - Resource-Aware Aggregation and Sparsification in Heterogeneous Ensemble Federated Learning [0.9176056742068811]
フェデレートラーニング(FL)は、プライベートクライアントデータによる分散トレーニングを可能にする。
現在のアンサンブルに基づくFL法はモデル予測の多様性を捉えるには不十分である。
多様な計算能力を持つクライアントに適したグローバルアンサンブルベースのFLフレームワークである textbfSHEFL を提案する。
論文 参考訳（メタデータ） (2025-08-12T01:40:46Z) - Crafting Imperceptible On-Manifold Adversarial Attacks for Tabular Data [38.89245780759371]
本稿では,混合入力変分オートエンコーダ(VAE)を用いた遅延空間摂動フレームワークを提案し,統計的に一貫した逆の例を生成する。
提案手法は,従来の入力空間攻撃と比較して,アウトレーラ率と一貫した性能を著しく低下させることを示す。
論文 参考訳（メタデータ） (2025-07-15T05:34:44Z) - Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。
私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。
この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
論文 参考訳（メタデータ） (2025-07-14T18:34:10Z) - A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。
本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-22T14:09:39Z) - Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。
予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。
本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
論文 参考訳（メタデータ） (2025-05-12T13:19:14Z) - Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。
本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
論文 参考訳（メタデータ） (2025-01-29T23:55:23Z)
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。