論文の概要: BioKD: Selective Physiology-to-Video Knowledge Distillation via Reliability Gate for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2608.06023v1
• Date: Thu, 06 Aug 2026 13:30:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.925173
• Title: BioKD: Selective Physiology-to-Video Knowledge Distillation via Reliability Gate for Emotion Recognition
• Title（参考訳）: BioKD:感情認識のための信頼性ゲートによる選択的生理・映像知識蒸留
• Abstract要約: 本稿では,BioKDと呼ばれる信頼性の高い生理・ビデオ知識蒸留フレームワークを提案する。 知識伝達の強度を適応的に調節することにより、信頼できない生理的監督によって引き起こされる負の伝達を抑制する。 DEAPとAMIGOSの実験は、BioKDが代表的ベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 6.1225603994944775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To address the limitations of video-based emotion recognition under ambiguous or socially masked behavioral cues, as well as the poor deployability of physiological signals, this paper proposes a reliability-aware physiology-to-video knowledge distillation framework, termed BioKD. The proposed framework leverages physiological signals as privileged information during training to guide a video-based student model in learning deep affective representations, while relying solely on non-intrusive video inputs at inference time. To cope with the high noise and instability of physiological teacher supervision caused by inter-subject variability, signal artifacts, and temporal inconsistency, BioKD incorporates a sample-wise reliability-aware gating mechanism together with a progressive distillation strategy. By adaptively regulating the strength of knowledge transfer, the framework suppresses negative transfer induced by unreliable physiological supervision and enables more stable cross-modal distillation. Experiments on DEAP and AMIGOS show that BioKD consistently outperforms representative baselines under both trial-wise and subject-wise evaluation protocols for valence and arousal recognition. For example, BioKD achieves 68.01\% on DEAP (trial-wise arousal) and 65.29\% under the more challenging subject-wise setting, demonstrating improved performance under a subject-independent evaluation setting. Further analyses show that BioKD effectively mitigates overconfident teacher errors and outperforms an entropy-only weighting strategy, confirming the importance of explicitly modeling supervision reliability. In addition, BioKD introduces no additional inference-time overhead relative to the same video student architecture and removes the need for physiological sensing and multimodal synchronization.
• Abstract（参考訳）: そこで本研究では,不明瞭な,あるいは社会的にマスキングされた行動条件下での映像に基づく感情認識の限界と,生理的信号の展開性の低下に対処するため,バイオKDと呼ばれる信頼性に配慮した生理的・映像的知識蒸留フレームワークを提案する。 提案フレームワークは、トレーニング中の生理的シグナルを特権情報として活用し、推論時の非侵襲的なビデオ入力のみに依存しながら、深い感情表現を学習するビデオベース学生モデルを誘導する。 オブジェクト間の変動、信号アーティファクト、時間的不整合に起因する生理的教師監督の騒音や不安定性に対処するため、BioKDは、段階的蒸留戦略とともに、サンプル単位の信頼性を考慮したゲーティング機構を組み込んだ。 このフレームワークは、知識伝達の強度を適応的に調節することにより、信頼できない生理的監督によって引き起こされる負の伝達を抑制し、より安定したクロスモーダル蒸留を可能にする。 DEAP と AMIGOS の実験により,BioKD は評価基準と評価基準の両面において,評価基準を一貫して上回っていることが示された。 例えば、BioKDは、より挑戦的な主観的設定の下で、DEAP(心房的刺激)において68.01\%、65.29\%を達成し、主観的非依存的な評価条件下で、改善された性能を示す。 さらに分析した結果,BioKDは教師の過度な誤りを効果的に軽減し,エントロピーのみの重み付け戦略を上回り,監督の信頼性を明示的にモデル化することの重要性が確認された。 さらに、BioKDは、同じビデオ学生アーキテクチャと比較して、追加の推論時間オーバーヘッドを導入せず、生理的センシングやマルチモーダル同期の必要性を排除している。

関連論文リスト

• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• Full-Self Diagnostics (FSD): Physics-Grounded Visual Biomarker Inference from Smartphone Video via Inverse Problems and Operator Learning [0.0]
  Full-Self Diagnostics (FSD) は、制限のない9秒の顔ビデオから潜伏する生理的状態を回復するための統一的な数学的枠組みである。 59名の被験者を対象に,実世界の38812個のペアスキャンの実証検証を行った。 その結果, 一般消費者の顔画像は, 完全に制約のない条件下での, 臨床的に関係のない非侵襲的推論のための十分な構造化情報を符号化していることがわかった。
  論文  参考訳（メタデータ） (2026-06-11T20:26:47Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• Active Inference for Micro-Gesture Recognition: EFE-Guided Temporal Sampling and Adaptive Learning [28.290563914077932]
  本稿では,マイクロジェスチャ認識のための能動的推論に基づくフレームワークを提案する。 予測自由エネルギー(EFE)マイクロガイドによる時間的サンプリングと不確実性を考慮した適応学習が特徴である。 低リソースでノイズの多い条件下での時間的振る舞いモデリングのための解釈可能でスケーラブルなパラダイムを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:44:19Z)
• Antidistillation Fingerprinting [119.66677613290359]
  本稿では, 学生の学習力学と指紋認証の目的を一致させる原則的アプローチとして, 抗蒸留フィンガープリント (ADFP) を導入する。 ADFPは、学生モデルのアーキテクチャが未知であっても、最先端のベースラインよりも大幅に改善され、実用性への影響が最小限に抑えられた検出信頼性が向上する。
  論文  参考訳（メタデータ） (2026-02-03T18:15:50Z)
• Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations [42.091774598477706]
  脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:54:16Z)
• Multi-modal Knowledge Decomposition based Online Distillation for Biomarker Prediction in Breast Cancer Histopathology [9.978792979899376]
  IHCバイオマーカー予測を強化するために,MKD(Multi-modal Knowledge Decomposition)に基づくオンライン蒸留手法を提案する。 2人の教師と1人の学生が、モダリティに特有かつモダリティに特有な特徴を抽出するために開発されている。 本手法は, 単モーダルデータを用いたIHCバイオマーカー予測において, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-08-24T04:56:17Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Disentangled Adversarial Transfer Learning for Physiological Biosignals [24.02384472840036]
  本稿では, 生理的生体信号データから, 絡み合ったニュアンス・ロバスト表現を抽出するために, 移動学習のための逆推論手法を提案する。 クロスオブジェクト転送評価の結果は,提案手法の利点を示している。
  論文  参考訳（メタデータ） (2020-04-15T01:56:56Z)

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。