論文の概要: Take it Personally: The Limits of General SSL Representations for Real-Life PPG Emotion Detection

• arxiv url: http://arxiv.org/abs/2608.14675v1
• Date: Mon, 03 Aug 2026 22:25:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.957186
• Title: Take it Personally: The Limits of General SSL Representations for Real-Life PPG Emotion Detection
• Title（参考訳）: 実生活におけるPSG感情検出のための一般SSL表現の限界
• Abstract要約: 自己監督学習(SSL)は、雑音や制約のない生理的信号から一般的な表現を効果的に抽出する。 本研究では,実生活における激しい感情検出のためのPSGベースのSSLの有効性を評価する。
• 参考スコア（独自算出の注目度）: 0.5926203312586108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Self-Supervised Learning (SSL) effectively extracts general representations from noisy, unconstrained physiological signals such as photoplethysmography (PPG), its suitability for highly subjective tasks remains unproven. In this work, we evaluate the efficacy of PPG-based SSL for real-life intense emotion detection. First, we pretrain a Real-Life PPG encoder (RL-PPG) on unconstrained, real-life data. As a rigorous sanity check, we demonstrate that these representations transfer exceptionally well to an objective physical activity recognition task, yielding almost 5-fold increase in performance over baselines in a leave-one-subject-out evaluation (LOSO). However, when applied to a~subjective real-life emotion detection task, these same general representations fail to surpass naive baselines under the LOSO protocol. Using an Across-Time validation strategy, we establish that incorporating an individual's personal data during fine-tuning is the main driver of predictive performance, outweighing the benefits of population-level pretraining. Ultimately, our findings indicate that in the evaluated scenario, general SSL representations may be insufficient for subjective affective inference, suggesting that personalization is likely a key component for real-world emotion recognition. To support future research, we share the code and pretrained RL-PPG~encoder~weights.
• Abstract（参考訳）: 自己監督学習(SSL)は、光胸腺撮影(PPG)のような、ノイズの多い、制約のない生理的信号から、効果的に一般的な表現を抽出するが、高い主観的タスクに適していることは証明されていない。 本研究では,実生活における激しい感情検出のためのPSGベースのSSLの有効性を評価する。 まず,制約のない実生活データに基づいて実生活PSGエンコーダ(RL-PPG)を事前訓練する。 厳密な正当性チェックとして,これらの表現が客観的な身体活動認識タスクに極めてよく伝達されることを示し,LOSO(Left-one-subject-out Evaluation)において,ベースラインよりも約5倍の性能向上をもたらすことを示した。 しかし、実生活の感情検出タスクに適用した場合、これらの一般的な表現はLOSOプロトコルの下では単純なベースラインを超えない。 Across-Time バリデーション戦略を用いて,個人個人の個人データを微調整中に取り入れることが,人口レベルの事前訓練のメリットを上回る予測性能の主要因であることを確認した。 究極的には、評価シナリオでは、一般SSL表現は主観的感情推論には不十分であり、実際の感情認識においてパーソナライゼーションが重要な要素である可能性が示唆された。 今後の研究を支援するため、コードと事前訓練されたRL-PPG〜encoder〜weightsを共有します。

関連論文リスト

• Rethinking the Evaluation and Optimization of LLM-Based Social Simulation [56.18577997572273]
  主観性係数を用いて、主観性が高くなるにつれて、精度に基づく評価とハードラベルトレーニングがいかに失敗するかを分析する。 我々は193のアノテーションと100の主観的質問を含む19,300の文脈のベンチマークであるSUBJSIMを構築した。 SUBJSIMの結果は,本手法の利点を示すものである。
  論文  参考訳（メタデータ） (2026-08-20T06:26:03Z)
• Scalable Token-Level Hallucination Detection in Large Language Models [63.3426544914783]
  内部幻覚は推論集約的なタスクでは検出が難しい。 TokenHDはトークンレベルの幻覚検出器を訓練するための全体論的パイプラインである。
  論文  参考訳（メタデータ） (2026-05-12T16:47:40Z)
• Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models [53.15468578562038]
  マルチモーダル大言語モデル(MLLM)のための不確実性を考慮した探索的直接参照最適化(UE-DPO)手法を提案する。 まず、与えられた画像にトークン予測を根拠にしなかったモデルの不確かさを定量化する。 次に、好ましいサンプルにおいて、視覚的に不足したトークンに対する学習のプレッシャーを高め、非推奨サンプルにおける有益な知識の過度な報酬化を緩和する。
  論文  参考訳（メタデータ） (2026-05-06T13:08:12Z)
• Intervention-Based Self-Supervised Learning: A Causal Probe Paradigm for Remote Photoplethysmography [38.62089038790769]
  新たなSSLパラダイムであるCausal Probing(PCP)を提案する。 PCPは潜伏rシグナルを基礎となる物理的ソースとして扱い、結果として生じるピクセルの色の変化を視覚的表現として扱う。 我々のエディタは、VIPL-HRやMMPD-HRといった挑戦的なデータセット上で、ドメイン内およびクロスドメインのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-26T09:56:09Z)
• When Personalization Legitimizes Risks: Uncovering Safety Vulnerabilities in Personalized Dialogue Agents [49.341830745910194]
  本稿では,パーソナライズされたエージェントの安全性障害である意図的正当性を明らかにする。 我々の研究は、安全障害モードとしての意図的正当性の最初の体系的な調査と評価を提供する。
  論文  参考訳（メタデータ） (2026-01-25T15:42:01Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• rPPG-MAE: Self-supervised Pre-training with Masked Autoencoders for Remote Physiological Measurement [36.54109704201048]
  リモート光胸腺撮影(r-MAE)はヒトのバイタルサインを知覚する重要な技術である。 本稿では,生理的信号に先行する自己相似性を抽出する自己教師型フレームワークを開発する。 また,提案手法をPUREとUBFC-rという2つの公開データセット上で評価した。
  論文  参考訳（メタデータ） (2023-06-04T08:53:28Z)
• Rethinking Evaluation Protocols of Visual Representations Learned via Self-supervised Learning [1.0499611180329804]
  自己教師型学習(SSL)は、自己教師型学習(SSL)を通して学習した視覚的表現の質を評価するために用いられる。 既存のSSLメソッドは、これらの評価プロトコルの下で優れたパフォーマンスを示している。 我々は、最先端のSSL方式で広範な実験を行うことにより、性能感度の原因を解明しようとする。
  論文  参考訳（メタデータ） (2023-04-07T03:03:19Z)
• Self-Supervised PPG Representation Learning Shows High Inter-Subject Variability [3.8036939971290007]
  本稿では,信号再構成を前提とした自己教師付き学習(SSL)手法を提案し,汎用的なPSG表現を学習する。 結果として、SSLを使用するラベルデータ設定(クラス毎に10のサンプル)が非常に限定されていることが分かる。 SSLは、ラベルスカースレジームにおけるPSGデータに機械学習モデルが広く使われるための道を開くかもしれない。
  論文  参考訳（メタデータ） (2022-12-07T19:02:45Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Self-supervised transfer learning of physiological representations from free-living wearable data [12.863826659440026]
  意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。 我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
  論文  参考訳（メタデータ） (2020-11-18T23:21:34Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。