論文の概要: Learning from Annotation Uncertainty: Entropy-Aware Curriculum for Speech Emotion Recognition

• arxiv url: http://arxiv.org/abs/2606.27536v1
• Date: Thu, 25 Jun 2026 20:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.311653
• Title: Learning from Annotation Uncertainty: Entropy-Aware Curriculum for Speech Emotion Recognition
• Title（参考訳）: アノテーションの不確かさから学ぶ:音声感情認識のためのエントロピー対応カリキュラム
• Abstract要約: 音声感情認識(SER)は、しばしばアノテータの不一致を崩壊させるハードコンセンサスラベルに依存する。 MSP-Podcast 2.0における9クラスSERの分布に基づく監視について,WavLM-Baseマルチタスクモデルを用いて検討した。
• 参考スコア（独自算出の注目度）: 28.280450577162622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech emotion recognition (SER) often relies on hard consensus labels that collapse annotator disagreement. We study distribution-based supervision for 9-class SER on MSP-Podcast 2.0 using a WavLM-Base multitask model for categorical emotion and dimensional VAD. Hard-label training is compared with targets from primary and merged primary--secondary annotator vote distributions. Distributional objectives improve alignment with human vote distributions, reducing JSD/KLD relative to hard-label training. Analysis shows that hard supervision partly benefits from assigning ambiguous utterances to the residual Other class, whereas distributional supervision redistributes uncertainty across emotion categories. Entropy-stratified evaluation shows that high-ambiguity utterances remain challenging, but distribution-based supervision better captures perceptual uncertainty. These findings support moving beyond hard labels toward targets that reflect listener disagreement.
• Abstract（参考訳）: 音声感情認識(SER)は、しばしばアノテータの不一致を崩壊させるハードコンセンサスラベルに依存する。 MSP-Podcast 2.0における9クラスSERの分布に基づく監視について,WavLM-Baseマルチタスクモデルを用いて検討した。 ハードレーベルのトレーニングは、一次および第二次アノテータの投票分布の目標と比較される。 分布目的は人票分布との整合性を向上し、ハードラベルトレーニングと比較してJSD/KLDを減少させる。 分析の結果,不明瞭な発話を他のクラスに割り当てることによって,ハード・インスペクションが部分的に恩恵を受ける一方,分布的インスペクションは感情カテゴリー間で不確実性を再分配することがわかった。 エントロピー階層化評価は、高いあいまいさの発話が依然として困難であることを示しているが、分布に基づく監視は知覚の不確実性を捕えるのに役立つ。 これらの発見は、ハードラベルを超えてリスナーの不一致を反映したターゲットへの移動を支援する。

関連論文リスト

• AffectOmni: RL-Verifiable People-Centric Grounded Affective Reasoning for Social and Art-Related Scenes [59.134503227559634]
  マルチモーダル大言語モデル(MLLM)は,VQAとシーン理解において高い性能を発揮する。 モデルは、マイクロ表現やボディランゲージのような人中心の手がかりを無視しながら、正しい答えを予測できる。 本稿では、感情的推論を検証可能なフレームワークであるAffect Omniを提案する。
  論文  参考訳（メタデータ） (2026-08-24T11:25:04Z)
• Reasoning under Ambiguity: Uncertainty-Aware Multilingual Emotion Classification under Partial Supervision [0.4925222726301579]
  本稿では,多言語多言語感情分類のための不確実性認識フレームワークであるAmbiguityの下での推論を紹介する。 英語、スペイン語、アラビア語の感情分類ベンチマークの実験は、強いベースラインよりも一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-02-05T09:17:25Z)
• Soft-Label Training Preserves Epistemic Uncertainty [4.2541480167286005]
  機械学習タスクには固有の主観性が含まれており、アノテータは自然に様々なラベルを提供する。 標準的な慣行は、これらのラベルの分布を単一のラベルに分解し、様々な人間の判断を点推定に集約する。 このアプローチは曖昧なデータに対して不一致であり、アノテーションの分布自体が基礎となる真理と見なされるべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-11-18T04:02:29Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• Handling Ambiguity in Emotion: From Out-of-Domain Detection to Distribution Estimation [45.53789836426869]
  感情に対する主観的な認識は、人間の注釈からの矛盾したラベルにつながる。 本稿では,あいまいな感情を扱う3つの方法について検討する。 分類器にラベルを付けない発話を付加クラスとして組み込むことで、他の感情クラスの分類性能が低下することを示す。 また,明快な深層学習を用いた感情分類における不確実性を定量化することにより,不明瞭な感情を伴う発話を領域外サンプルとして検出することを提案する。
  論文  参考訳（メタデータ） (2024-02-20T09:53:38Z)
• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• Unilaterally Aggregated Contrastive Learning with Hierarchical Augmentation for Anomaly Detection [64.50126371767476]
  階層的拡張(UniCon-HA)を用いた一方的集約型コントラスト学習を提案する。 我々は、教師付きおよび教師なしの対照的な損失を通じて、インレーヤの濃度と仮想外れ値の分散を明示的に奨励する。 本手法は,ラベルなし1クラス,ラベルなしマルチクラス,ラベル付きマルチクラスを含む3つのAD設定で評価される。
  論文  参考訳（メタデータ） (2023-08-20T04:01:50Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• 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)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Estimating the Uncertainty in Emotion Class Labels with Utterance-Specific Dirichlet Priors [24.365876333182207]
  本稿では,発話ごとのディリクレの事前分布に基づく新たな訓練損失を提案する。 ラベル付けの不確かさの高い試験発話を検出することで、さらなる測定値を用いて性能を評価する。 広く使われているIEMOCAPデータセットによる実験は、2分岐構造が最先端の分類結果を達成することを示した。
  論文  参考訳（メタデータ） (2022-03-08T23:30:01Z)

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。