論文の概要: Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment
- arxiv url: http://arxiv.org/abs/2606.11269v1
- Date: Tue, 09 Jun 2026 06:38:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.100673
- Title: Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment
- Title（参考訳）: 人格評価のための非対称核融合(Trit-Specific Asymmetric Fusion)
- Authors: Jia Li, Qian Chen, Wei Wang, Xinyu Li, Zhenzhen Hu, Dongsheng Shao, Richang Hong, Meng Wang,
- Abstract要約: Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。
MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
- 参考スコア（独自算出の注目度）: 53.50824432699408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personality assessment aims to infer stable personality traits from dynamic behaviors across language, voice, and facial cues. Since different personality dimensions are revealed through distinct behavioral perspectives, modeling trait-specific evidence is challenging. However, most existing approaches adopt a uniform multimodal fusion strategy across all dimensions, assuming identical modality contributions. This overlooks trait-specific modality preferences and introduces cross-modal interference. To address this issue, we propose a novel personality assessment framework called Traits Run Deeper, which consists of three components. Specifically, the Multimodal Foundation Representation (MFR) module constructs personality-oriented multimodal inputs and leverages psychology-informed semantic templates as anchors, enabling foundation models to capture trait-relevant information. Building upon MFR, the Trait-Specific Modality Fusion (TSMF) module acts as an asymmetric fusion mechanism, allowing each dimension to selectively exploit different modality pathways from modality-specific modeling to complementary fusion. Thus, TSMF captures heterogeneous modality preferences while reducing cross-modal contamination. Furthermore, the Distribution-Calibrated Personality Regression (DCPR) module mitigates label imbalance and central tendency bias through target distribution calibration, improving robustness and stability. Experimental results on the AVI Challenge 2026 validation set demonstrate the effectiveness of the proposed framework, reducing mean squared error (MSE) by approximately 25% compared with the baseline. Consistent improvements are observed on the official test set, where our method achieves the best performance and ranks first in the Personality Assessment Track. The source code will be made available at https://github.com/MSA-LMC/AVI2026.
- Abstract（参考訳）: パーソナリティアセスメントは、言語、声、顔の手がかりにまたがる動的行動から安定したパーソナリティ特性を推測することを目的としている。
異なる個性次元が異なる行動的視点で明らかにされるため、特性特異的な証拠をモデル化することは困難である。
しかし、既存のほとんどのアプローチでは、同じモダリティの寄与を仮定して、すべての次元にわたって均一なマルチモーダル融合戦略を採用する。
これは特性特異的なモダリティの選好を見落とし、モーダル間の干渉をもたらす。
この問題に対処するため,三つの要素から構成されるTrits Run Deeperという人格評価フレームワークを提案する。
特に、Multimodal Foundation Representation (MFR)モジュールは、パーソナリティ指向のマルチモーダル入力を構築し、心理学的インフォームドセマンティックテンプレートをアンカーとして活用することで、基礎モデルが特性関連情報をキャプチャすることを可能にする。
MFRに基づいて、TSMF(Trit-Specific Modality Fusion)モジュールは非対称核融合機構として機能し、各次元がモダリティ特異的モデリングから相補核融合まで、異なるモダリティ経路を選択的に利用できるようにする。
したがって、TSMFは異質なモダリティの嗜好を捉えつつ、異質なモダリティの汚染を減らす。
さらに、DCPRモジュールは、目標分布校正によるラベルの不均衡と中心傾向バイアスを緩和し、堅牢性と安定性を向上する。
AVI Challenge 2026 の検証実験の結果,提案手法の有効性を実証し,平均二乗誤差 (MSE) をベースラインと比較して約25%削減した。
本手法は,Personality Assessment Trackにおいて,最高性能とランキングを達成した公式テストセットにおいて,一貫性のある改善が観察された。
ソースコードはhttps://github.com/MSA-LMC/AVI2026.comで入手できる。
関連論文リスト
- Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。
SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
論文 参考訳（メタデータ） (2026-04-11T13:56:41Z) - FusionAgent: A Multimodal Agent with Dynamic Model Selection for Human Recognition [22.18313011042103]
textbfFusionAgentは動的でサンプル固有のモデル選択のための新しいエージェントフレームワークである。
信頼性トップク(ACT)スコア融合は、最も信頼度の高いモデルにアンカーを配置し、信頼性に配慮した補完的な予測を統合する。
複数の全身バイオメトリック・ベンチマークの実験では、FusionAgentはSoTA法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-03-27T18:35:44Z) - Multi-Modal Image Fusion via Intervention-Stable Feature Learning [8.38110675007969]
本稿では、ロバストな相互依存を特定するために、因果原理に着想を得た介入に基づくフレームワークを提案する。
提案手法は,公開ベンチマークと下流高レベル視覚タスクの両方でSOTA性能を実現する。
論文 参考訳（メタデータ） (2026-03-24T14:36:24Z) - Fusian: Multi-LoRA Fusion for Fine-Grained Continuous MBTI Personality Control in Large Language Models [12.808952052191083]
本稿では,大規模言語モデルにおける連続的パーソナリティ制御のための新しいフレームワークであるFusianを紹介する。
Fusian は Trajectory Collection と Dynamic Fusion の2つの段階で動作する。
Qwen3-14Bモデルの実験では、フシアンが人格制御において高い精度で達成できることが示されている。
論文 参考訳（メタデータ） (2026-03-16T15:17:52Z) - SGMA: Semantic-Guided Modality-Aware Segmentation for Remote Sensing with Incomplete Multimodal Data [31.146366498415784]
マルチモーダルセマンティックセグメンテーションは、リモートセンシング地球観測のための多様なセンサーからの補完情報を統合する。
IMSSは3つの主要な課題に直面している:マルチモーダル不均衡、支配的なモダリティが脆弱なモダリティを抑えること、スケール、形状、方向のクラス内変化、矛盾するキーと矛盾するセマンティック応答を生み出すクロスモーダル不均一。
本稿では,セマンティック・ガイド・モダリティ・アウェア(SGMA)フレームワークを提案する。セマンティック・モダリティ・アウェア(SGMA)フレームワークは,クラス内変動の低減とセマンティックガイダンスによる相互不整合の緩和を図りつつ,バランスの取れたマルチモーダル学習を実現する。
論文 参考訳（メタデータ） (2026-03-03T01:28:21Z) - Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。
ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
論文 参考訳（メタデータ） (2025-12-03T12:43:16Z) - Amplifying Prominent Representations in Multimodal Learning via Variational Dirichlet Process [55.91649771370862]
ディリクレ過程(DP)混合モデルは、最も顕著な特徴を増幅できる強力な非パラメトリック法である。
本稿では,DP駆動型マルチモーダル学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-23T16:53:24Z) - Traits Run Deep: Enhancing Personality Assessment via Psychology-Guided LLM Representations and Multimodal Apparent Behaviors [46.55948528317124]
我々はtextittextbfTraits Run Deep という新しいパーソナリティ評価フレームワークを提案する。
テキストテキストbf心理学的インフォームドプロンプトを使用して、高いレベルの人格関連セマンティック表現を導き出す。
textittextbfText-Centric Trait Fusion Networkは、リッチテキストセマンティクスをアンロックして、他のモダリティからの非同期信号の整合と統合を行う。
論文 参考訳（メタデータ） (2025-07-30T04:12:14Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z)
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。