論文の概要: The Circumplex Degeneracy Behind the Rare-Class Limit in Affect Recognition

• arxiv url: http://arxiv.org/abs/2606.15763v1
• Date: Sun, 14 Jun 2026 11:54:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.829805
• Title: The Circumplex Degeneracy Behind the Rare-Class Limit in Affect Recognition
• Title（参考訳）: 影響認識における希少クラス限界の裏側にある概日性
• Abstract要約: in-the-wild表現認識は、いくつかの稀な感情に対して持続的に失敗する。 失敗は退化幾何学の性質であることを示す。 稀なクラスはラッセルの周囲にあり、その縮退は損失やコストが達成できるものの境界である。
• 参考スコア（独自算出の注目度）: 10.63668992878943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-the-wild expression recognition persistently fails on a few rare emotions, and the standard explanation is class imbalance. Through a controlled multi-task study on two benchmarks, we show the failure is instead a property of affect geometry: the rare classes are degenerate on Russell's circumplex, and that degeneracy bounds what any loss or cost can achieve. Our instrument is a circumplex-cost optimal-transport term that prices expression confusions by their valence-arousal distance. The term improves the official score and expression macro-F1, but a control most studies omit shows the gain is not geometric: a uniform cost, equivalent to a generic confidence penalty, matches it on Aff-Wild2 (p=0.625) and significantly exceeds it on AffectNet (+0.057 over base, larger than the circumplex). What the geometry reshapes is the structure of the errors, making them affectively nearer the truth on Aff-Wild2 (p=0.031 against the uniform control), an effect that does not survive on AffectNet, where a visual confound at the far corner of the circumplex overwhelms it. The rare-class failure, by contrast, is stable across both datasets we examine: the degenerate pairs (anger-fear on Aff-Wild2, anger-contempt on AffectNet) resist frequency-based interventions, the transport term, and an action-unit-augmented cost built specifically to separate them. We conclude that progress on rare expressions requires representations that distinguish the classes, not supervision that reprices their confusions, and we provide the controls and metrics needed to tell the two apart.
• Abstract（参考訳）: In-the-wild式認識はいくつかの稀な感情に対して持続的に失敗し、標準的な説明はクラス不均衡である。 制御された2つのベンチマークに関するマルチタスクの研究を通して、失敗は代わりに影響幾何学の特質であることを示す: 希少類はラッセルの周囲の縮退し、縮退は損失やコストが達成できるものの境界である。 当社の機器は、その原子価-覚醒距離による表現の混乱を価格に設定する、割安な最適輸送用語である。 この用語は公式スコアと表現マクロF1を改善するが、ほとんどの研究ではゲインが幾何学的ではないことを示している: 一般的な自信のペナルティと同等の均一なコストで、Aff-Wild2 (p=0.625) と一致し、AffectNet (+0.057 over base, larger than the circumplex) で大幅に上回っている。 Aff-Wild2 (p=0.031) は AffectNet 上では生き残れない効果で、円周の端の視覚的凹凸がそれを圧倒する。 対照的に、レアクラスの障害は、両方のデータセットで安定している: 退化したペア(Aff-Wild2のアンガーフェール、AffectNetのアンガーコントラスト)は、周波数ベースの介入に抵抗し、転送項は、それらを分離するために特別に構築されたアクションユニット拡張コストである。 我々は、希少表現の進行には、それらの混乱を反映する監督ではなく、クラスを区別する表現が必要であると結論付け、両者を区別するために必要な制御とメトリクスを提供する。

関連論文リスト

• Semantic Fibers and Cross-Gram Interference: A Calculus of Safety Drift in Overcomplete Representations [0.0]
  デプロイされた言語モデルは、英語の有害な要求を拒否するが、その忠実な翻訳に従う。 我々はこの現象を監査同値関係で定式化する。 定式化された商、表現、メートル法、特徴辞書、スコアリングヘッド、しきい値、コントラストモデルに対して、得られた安全ドリフトは正確な線形代数的特徴を持つことを示す。
  論文  参考訳（メタデータ） (2026-09-14T00:23:32Z)
• Attention Capture Is Not Detection: A Two-Stage Account of How Humans Miss Localized AI Image Edits [0.0]
  AI生成の画像編集を抑制するプラットフォームは、検出可能性を単一の未分化プロパティとして扱う。 編集領域はアテンションキャプチャを駆動し、意味的妥当性は判断精度とルック・ブ・フェイル・トゥ・シー(LBFS)エラー率を駆動する。
  論文  参考訳（メタデータ） (2026-08-14T01:26:00Z)
• A Shared Latent for Partially-Labeled Multi-Task Facial Affect Recognition [9.736740880077823]
  部分的にラベル付けされたマルチタスク学習は、共有された影響の潜伏者に対する疎外化であることを示す。 s-Aff-Wild2では、フレームのわずか37%が3つのラベル全てを担っているが、これらのクラスは極めて不均衡である。 各タスクのソースが評価分割で選択されると、組み立て結果が報告される。
  論文  参考訳（メタデータ） (2026-07-11T04:55:12Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• Of Dice and Games: A Theory of Generalized Boosting [61.752303337418475]
  我々は、コスト感受性と多目的損失の両方を組み込むために、ブースティングの有名な理論を拡張した。 我々は、コスト感受性と多目的強化の包括的理論を開発し、弱い学習保証の分類を提供する。 我々の特徴付けは、昇降の幾何学的解釈に依存しており、コスト感受性と多目的損失の間の驚くべき等価性を明らかにしている。
  論文  参考訳（メタデータ） (2024-12-11T01:38:32Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• WR-ONE2SET: Towards Well-Calibrated Keyphrase Generation [57.11538133231843]
  キーワード生成は、入力文書を要約する短いフレーズを自動的に生成することを目的としている。 最近登場したONE2SETパラダイムは、キーフレーズをセットとして生成し、競争性能を達成した。 本稿では, ONE2SET を拡張した WR-ONE2SET を提案する。
  論文  参考訳（メタデータ） (2022-11-13T09:56:24Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• Understanding Square Loss in Training Overparametrized Neural Network Classifiers [31.319145959402462]
  過度にパラメータ化されたニューラルネットワークでどのように機能するかを体系的に検討することにより、分類における二乗損失の理論的理解に寄与する。 クラスが分離可能か否かに応じて2つのケースを考慮する。一般的な非分離可能の場合、誤分類率と校正誤差の両方について、高速収束率が確立される。 結果として得られるマージンはゼロから下界であることが証明され、ロバスト性の理論的な保証を提供する。
  論文  参考訳（メタデータ） (2021-12-07T12:12:30Z)
• Localization, Convexity, and Star Aggregation [0.0]
  オフセットラデマッハ複体は、正方形損失に対する鋭く線形依存的な上界を示すことが示されている。 統計的設定では、オフセット境界は一定の均一な凸性を満たす任意の損失に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-19T00:47:59Z)
• Lower-bounded proper losses for weakly supervised classification [73.974163801142]
  本稿では,弱いラベルが与えられた分類の弱い教師付き学習の問題について議論する。 サベージ表現を双対化する教師付き学習における適切な損失を表す表現定理を導出する。 提案手法の有効性を,不適切な損失や非有界損失と比較して実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-04T08:47:07Z)
• Adversarial Robustness: What fools you makes you stronger [1.14219428942199]
  本研究では,PAC-ラーニングモデルと等価クエリ-ラーニングモデルのバージョンとの間で,サンプルの複雑さを指数関数的に分離することを証明する。 この分離は、敵対的堅牢性に興味深い意味を持つことを示す。 攻撃者の存在下では、確実に堅牢なモデルを計算する適応防御を設計するビジョンを探求する。
  論文  参考訳（メタデータ） (2021-02-10T15:00:24Z)
• Towards Defending Multiple $\ell_p$-norm Bounded Adversarial Perturbations via Gated Batch Normalization [120.99395850108422]
  既存の敵防衛は、個々の摂動に対するモデル堅牢性を改善するのが一般的である。 最近の手法では、複数の$ell_p$球における敵攻撃に対するモデルロバスト性を改善するが、各摂動型に対するそれらの性能は、まだ十分ではない。 我々は,複数の$ell_pの有界摂動を守るために,摂動不変予測器を逆向きに訓練するGated Batch Normalization (GBN)を提案する。
  論文  参考訳（メタデータ） (2020-12-03T02:26:01Z)

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。