論文の概要: Explainable graph attention network for stress recognition (StressGAT) via differential action units

• arxiv url: http://arxiv.org/abs/2607.20819v2
• Date: Mon, 27 Jul 2026 01:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 14:56:47.036872
• Title: Explainable graph attention network for stress recognition (StressGAT) via differential action units
• Title（参考訳）: ディファレンシャルアクションユニットによるストレス認識のための説明可能なグラフアテンションネットワーク
• Abstract要約: 本研究では、急性ストレスを示す複雑な顔のダイナミクスをキャプチャするグラフ注意ネットワークであるScressGATを紹介する。 提案したモデル88.62%の精度は、被験者非依存のLeave-One-Subject-Out (LOSO)プロトコルを用いて、多様なストレス誘導コホート(58名)で達成された。
• 参考スコア（独自算出の注目度）: 0.5350912957086597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stress is a dynamic process characterized by significant individual variability in facial expression. Traditional architectures, such as Recurrent Neural Networks (RNNs) and Convolutional Neural Networks (CNNs), often overlook person-specific baselines or lack the representational capacity to model the non-linear temporal progression of distress due to sequential bottlenecks and rigid grid-based constraints. Furthermore, many deep learning models lack the interpretability required for clinical deployment. This study introduces StressGAT, a Graph Attention Network that leverages the relational inductive bias of graph modeling to capture complex facial dynamics that indicate acute stress. By using Differential Action Units, the framework normalizes individual responses relative to neutral baselines to achieve personalized recognition. The proposed model achieves 88.62\% accuracy on a diverse stress-induction cohort (58 participants) using a subject-independent, Leave-One-Subject-Out (LOSO) cross-validation protocol. Beyond predictive accuracy, the architecture integrates a Multiple Instance Learning (MIL) attention mechanism to identify peak stress intervals and reveal distinct expressivity phenotypes. By simultaneously optimizing for accuracy and interpretability, this framework provides a robust, explainable solution for personalized affective monitoring.
• Abstract（参考訳）: ストレスは、表情における顕著な個人的変動を特徴とする動的過程である。 リカレントニューラルネットワーク(RNN)や畳み込みニューラルネットワーク(CNN)といった従来のアーキテクチャでは、シーケンシャルなボトルネックと厳格なグリッドベースの制約による苦痛の非線形的時間的進行をモデル化するための表現能力が欠如していることが多い。 さらに、多くのディープラーニングモデルには、臨床展開に必要な解釈性がない。 本研究では、グラフモデリングの相関帰納バイアスを利用して、急性ストレスを示す複雑な顔のダイナミクスをキャプチャするグラフ注意ネットワークであるScressGATを紹介する。 微分アクションユニットを使用することで、中立ベースラインに対する個々の応答を正規化し、パーソナライズされた認識を実現する。 提案手法は, 対象非依存のLOSO(Leave-One-Subject-Out)クロスバリデーションプロトコルを用いて, 多様な応力誘導コホート(58名)に対して88.62\%の精度を実現する。 予測精度以外にも、アーキテクチャはMIL(Multiple Instance Learning)アテンション機構を統合し、ピークストレス間隔を特定し、表現表現型を明確にする。 このフレームワークは、正確性と解釈可能性の同時最適化によって、パーソナライズされた感情モニタリングのための堅牢で説明可能なソリューションを提供する。

関連論文リスト

• Synheart Capacity: A Theory-Driven Physiological Representation of Cognitive Capacity Dynamics from Wearable Signals [0.0]
  本稿では,2次元の生理的表現としてキャパシティ関連認知状態をモデル化する理論駆動型フレームワークを提案する。 提案アーキテクチャは、心電図(IBI/HRV)と電磁気信号(EDA)の二重ストリーム符号化と、遅延核融合とタスク特異的出力ヘッドを組み合わせたものである。 提案した取り組み-ストレス状態空間は、異なる認知体制間の構造化された分化を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-05-23T05:58:56Z)
• FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models [0.0]
  本研究は,新しいグラフニューラルネットワークアーキテクチャであるFeature-specific Interpretable Graph Neural Network (FIGNN)を提案する。 FIGNNは、科学的応用において非構造化グリッド上で定義されたディープラーニングサロゲートモデルの解釈可能性を高めるように設計されている。
  論文  参考訳（メタデータ） (2025-06-13T01:45:37Z)
• Decoding the Stressed Brain with Geometric Machine Learning [3.8982812950782253]
  ストレスは精神障害と身体障害の両方に寄与する。 本研究では,幾何学的機械学習を用いて生記録からのストレスを検出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-31T14:47:48Z)
• Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
  ストレスは様々な健康問題への主要な貢献者として広く認められている。 リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。 しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
  論文  参考訳（メタデータ） (2023-08-04T22:26:33Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Brain dynamics via Cumulative Auto-Regressive Self-Attention [0.0]
  深部グラフニューラルネットワーク(GNN)よりもかなり浅いモデルを提案する。 本モデルは,各時系列の自己回帰構造を学習し,有向接続グラフを推定する。 統合失調症患者とコントロールを分類した機能的ニューロイメージングデータセットについて報告する。
  論文  参考訳（メタデータ） (2021-11-01T21:50:35Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)

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。