論文の概要: Simple Features and Honest Calibration for Ambivalence and Hesitancy Recognition in Video

• arxiv url: http://arxiv.org/abs/2607.11120v1
• Date: Mon, 13 Jul 2026 05:52:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.343257
• Title: Simple Features and Honest Calibration for Ambivalence and Hesitancy Recognition in Video
• Title（参考訳）: ビデオにおけるアンビバレンス・ヘシテンシー認識のための簡易な特徴と正直な校正
• Abstract要約: ABAW 2026 BAH ChallengeにおけるA/H認識について検討した。 短いインタビュービデオでは、その人がA/Hの兆候を見せているかどうかを予測する。 本システムでは,感情特化テキスト,音声,視覚表現を,可読性のある言語的難読句の集合と組み合わせる。
• 参考スコア（独自算出の注目度）: 4.706491749080163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address ambivalence and hesitancy (A/H) recognition in the ABAW 2026 BAH Challenge: given a short interview video, predict whether the person shows signs of A/H. Our system combines affect-specialised text, audio, and visual representations with a small set of readable linguistic hesitation cues, fused by a reliability gate we call Affective Marker Fusion (AMF), and finished with a simple AP-weighted ensemble at a fixed decision threshold. We also introduce \emph{ASR-erased time}: speech recognisers delete fillers and hesitation pauses from the transcript, but the chunk timestamps keep the time those events took, and sixteen features built from these gaps form the strongest and most independent non-verbal channel we measured (AP $0.718$, correlation $0.11$--$0.36$ with all other members). Across controlled experiments we find three things: cross-modal conflict design does not reliably help on BAH; language is by far the strongest channel while affect-specialised audio is a useful second; and calibration matters more than architecture. Fitting ensemble weights and a threshold on the small validation split overfits: it scores $0.741$ macro-F1 on validation but only $0.690$ on the untouched test set. AP-weighting at a fixed threshold instead reaches $\mathbf{0.731}$ on test.
• Abstract（参考訳）: ABAW 2026 BAH Challenge: 短いインタビュービデオでは,A/Hの兆候を示すかどうかを予測する。 Affective Marker Fusion (AMF) と呼ばれる信頼ゲートで融合し,AP重み付けされた簡単なアンサンブルを一定の判定閾値で仕上げる。 音声認識器は文字起こしからフィラーと鎮静停止を削除しますが、チャンクタイムスタンプはこれらのイベントにかかる時間を保ち、これらのギャップから構築された16の機能は、私たちが測定した最も強く最も独立した非言語チャネルを形成します(AP$0.718$、相関$0.11$-0.36$)。 クロスモーダルコンフリクト設計はBAHにとって確実な助けにはならない 言語は圧倒的に強力なチャネルであり、影響特化オーディオは有用な第2位であり、キャリブレーションはアーキテクチャよりも重要である。 アンサンブルの重みと小さなバリデーションのしきい値がオーバーフィットし、検証で0.741$ macro-F1 となるが、未修正のテストセットでは0.690$ となる。 固定しきい値でのAP重み付けはテスト時に$\mathbf{0.731}$に達する。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Ambient @ EgoProactive 2026 : Proactive Egocentric Assistance with Visually Grounded Supervision [0.13537117504260623]
  我々はECCV 2026 Wearable AI ChallengeのEgoProactiveトラックに応募する。 このタスクでは、ウェアラブルアシスタントが、8秒間のエゴセントリックなビデオのそれぞれに介入するか、沈黙を保つかを判断する必要がある。
  論文  参考訳（メタデータ） (2026-09-07T06:43:33Z)
• Difference-in-Differences on a Censored Rating Scale Can Manufacture an Effect: Evidence from a Pre-Registered LLM-Judge Audit [15.81584544074437]
  LLM審査員の聴取は、一致した条件を対比することでバイアスを認定する。 このエンドポイントは、報告するスケールでは特定されない。 我々は,そのメカニズムをクローズドな形で導き,その貢献が監査の自己評価から測定可能であることを示す。
  論文  参考訳（メタデータ） (2026-08-27T16:10:16Z)
• The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
  3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。 2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。 80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
  論文  参考訳（メタデータ） (2026-08-06T17:57:06Z)
• CALM-AH: An ABAW11-Calibrated Multimodal Ensemble with Reliability-Gated Multi-Expert Consensus for Video-Level Ambivalence and Hesitancy Recognition [13.270837043204496]
  ABAW11 A/Hビデオ認識チャレンジは、各自然言語インタビュービデオにバイナリA/Hラベルを割り当てるようにシステムに要求する。 本稿では,多モードアンサンブルであるCALM-AHについて述べる。 さらに,初期予測と3つの補完的な補正専門家を組み合わせたアンカー保存型意思決定レベルアンサンブルであるReliability-Gated Multi-Expert Consensus(RG-MEC)を紹介する。
  論文  参考訳（メタデータ） (2026-07-31T11:37:58Z)
• Knowledge-Guided Multimodal Reasoning over Interacting Streams for Video-Level Ambivalence and Hesitancy Recognition [0.9297355862757838]
  PRISM-AHはA/Hを時間とともに展開するマルチモーダルコンフリクトとして扱うフレームワークである。 知識誘導型大規模言語モデルは、データセットの専門的な分類法を用いて、構造化された証拠を理由づける。 525ビデオのラベル付き公開テストパーティションでは、PRISM-AHは0.2827のゼロショットベースラインと比較して0.6133のマクロF1を達成する。
  論文  参考訳（メタデータ） (2026-07-28T16:44:38Z)
• PA-User: Simulating Trust and Verification under AI-Generated Content [1.1105673928718571]
  3つの新しいコンポーネントを持つユーザシミュレータPA-Userを提案する。 信頼コンポーネントは、それぞれのソースクラスの事実に関する別々のベータ信念を持っています。 決定ルールは、各結果に対する受け入れ、証明、破棄を選択する。
  論文  参考訳（メタデータ） (2026-06-22T00:45:06Z)
• A Closer Look at Failure Modes in Temporal Understanding of Large Audio-Language Models [64.68800440221138]
  大規模音声言語モデル(LALM)は、様々な音声理解タスクにおいて高いパフォーマンスを達成するが、時間的推論に苦慮する。 メカニスティック解析のために設計された3つの基礎的タスクに対して,1,657問のベンチマークを導入する。 拡張性に対する注意の重み付けを比較すると、音声トークン間での注意の再分配は、音声の注意を増大させるよりも効果的であることがわかった。
  論文  参考訳（メタデータ） (2026-06-16T01:57:56Z)
• Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
  音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。 8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。 FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
  論文  参考訳（メタデータ） (2026-06-02T07:01:33Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• Conflict-Aware Multimodal Fusion for Ambivalence and Hesitancy Recognition [6.866068262311036]
  A/H(Ambivalence and hesitancy)は、異なるチャネルを通して対立する信号を表示する微妙な感情状態である。 この問題のために構築されたマルチモーダルフレームワークである textbfConflictAwareAH を提示する。
  論文  参考訳（メタデータ） (2026-03-16T18:49:46Z)
• SpatialBench-UC: Uncertainty-Aware Evaluation of Spatial Prompt Following in Text-to-Image Generation [0.0]
  SpaceBench-UCは、ペアの空間関係を再現可能な小さなベンチマークである。 ベンチマークパッケージ、バージョン付きプロンプト、ピン付き構成、サンプルごとのチェッカー出力、レポートテーブルをリリースします。 安定拡散1.5, SD 1.5 BoxDiff, SD 1.4 GLIGENの3つのベースラインについて検討した。
  論文  参考訳（メタデータ） (2026-01-19T23:37:10Z)
• From Flows to Words: Can Zero-/Few-Shot LLMs Detect Network Intrusions? A Grammar-Constrained, Calibrated Evaluation on UNSW-NB15 [0.41998444721319217]
  大規模言語モデル(LLM)は自然言語入力を推論できるが、微調整なしでの侵入検出におけるそれらの役割は未だ不明である。 本研究では、各ネットワークフローをコンパクトなテキストレコードに変換し、軽量でドメインにインスパイアされたフラグで拡張することで、プロンプトオンリーなアプローチを評価する。 ゼロショット,命令誘導,スプリットショットを比較して,同一のスプリット下での強い神経ベースライン,精度,精度,リコール,F1,マクロスコアを比較した。
  論文  参考訳（メタデータ） (2025-10-18T02:11:50Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units [81.53783563025084]
  本稿では、BERTのような予測損失に対して、アライメントされたターゲットラベルを提供するオフラインクラスタリングステップを提案する。 提案手法の重要な要素は,マスク領域にのみ予測損失を適用することである。 HuBERTは、より困難なdev-otherおよびtest-other評価サブセットに対して、最大19%と13%の相対的なWER削減を示す。
  論文  参考訳（メタデータ） (2021-06-14T14:14:28Z)

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。