論文の概要: Bias-Corrected Ceilings of Emotion Predictability from Human Label Variation Based on Instance-Level Fano Bounds

• arxiv url: http://arxiv.org/abs/2608.15619v1
• Date: Sun, 16 Aug 2026 08:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.365213
• Title: Bias-Corrected Ceilings of Emotion Predictability from Human Label Variation Based on Instance-Level Fano Bounds
• Title（参考訳）: サンプルレベルファノ境界に基づくラベル変化による感情予測可能性のバイアス補正
• Abstract要約: 本稿では, バイアス補正天井を推定し, 既約誤差と既約誤差を分離し, 得られた主張を整理する枠組みを提案する。 理論的には、制約のない点は0.38から1.03の範囲で到達可能性を推定するので、飽和度は任意の単一の推定器では決定できない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion recognition from text keeps improving on benchmarks, yet whether an accuracy ceiling has been reached is seldom asked with discipline. Our aim is not to pin this ceiling to a single number, but to quantify how far it depends on finite annotation, estimator choice, annotation noise, and the evaluation protocol, and thereby to discipline how confidently saturation can be claimed. We propose Bias-corrected Affective Ceiling Estimation (BACE), an analysis framework that estimates a bias-corrected ceiling, separates irreducible from reducible error, and disciplines the resulting claims. An anchored Dirichlet-mixture empirical Bayes estimator, bracketed between plug-in and NSB, recovers the human-consensus distribution; an annotator split, a noise deconvolution, and a fixed claim gate then attribute error without circularity. Methodologically, unconstrained point estimates place reachability anywhere from 0.38 to 1.03, so saturation cannot be decided by any single estimator. Substantively, the only assertion passing the claim gate is that at least about 33% of a representative classifier's error on GoEmotions is irreducible, with the same pattern recurring on offensiveness and irony.
• Abstract（参考訳）: テキストからの感情認識は、ベンチマークで改善を続けていますが、精度の高い天井に到達するかどうかは、規律を問うことはめったにありません。 我々の目標は、この天井を1つの数に固定するのではなく、有限のアノテーション、推定器の選択、アノテーションノイズ、評価プロトコルにどの程度依存するかを定量化し、確実に飽和を主張できるかを規律することである。 本稿では,バイアス補正天井を推定し,再現不可能な誤りから分離し,その結果のクレームを規律する分析フレームワークであるバイアス補正感感評価(BACE)を提案する。 プラグインとNSBの間に挟まれた固定されたディリクレ混合経験的ベイズ推定器は、アノテータスプリット、ノイズデコンボリューション、固定クレームゲートにより、円形性のない誤差を生じる。 理論的には、制約のない点は0.38から1.03の範囲で到達可能性を推定するので、飽和度は任意の単一の推定器では決定できない。 現時点において、クレームゲートを通過する唯一の主張は、GoEmotionsにおける代表分類器のエラーの少なくとも33%が既約であり、同じパターンが攻撃性と皮肉を繰り返すことである。

関連論文リスト

• Predicting Human Disagreement for Calibrated Dynamic Facial Expression Recognition [12.523217686212197]
  生のアノテータカウントベクトル上で直接トレーニングを行う不一致対応のDFERフレームワークを提案する。 別個の曖昧性ヘッドは、目に見えないクリップのアノテーションエントロピーを予測し、モノトーンChowスタイルのリジェクションルールは、予測された曖昧性、空洞性、時間的不安定性、入力品質を組み合わせる。 DFEWでは、ECEを30%減らし、AURCを15%減らしながら認識精度を保ち、不明瞭度はテストクリップのアノテーションエントロピーとスピアマン相関0.52に達する。
  論文  参考訳（メタデータ） (2026-09-15T12:55:22Z)
• What Fixed-Rollout pass@k Evaluations Can Identify [3.0318216701273397]
  繰り返しサンプリング評価は、問題毎に収集されたサンプル数nをはるかに超え、pass@kを外挿する。 プール/ランダム・タスク条件付きビノミカルモデルでは、固定nの成功回数は、潜在タスク毎の成功分布の n 自由モーメントのみを識別する。
  論文  参考訳（メタデータ） (2026-09-08T10:27:52Z)
• PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
  PerceptionRubricsはルーブリックベースの評価フレームワークである。 飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
  論文  参考訳（メタデータ） (2026-06-26T17:59:15Z)
• SAGE: Answer-Conditioned Uncertainty Targets for Verbal Uncertainty Alignment [20.5795766462733]
  そこで本研究では,サンプル応答に対する解条件付き不確実性幾何を構成するグループレベルの不確実性ターゲットを提案する。 実験では、不確実性ランキングの改善、キャリブレーション誤差の低減、信頼性の低下が示されている。
  論文  参考訳（メタデータ） (2026-06-09T23:17:16Z)
• The conditional-mean barrier: From deterministic regression to conditional distribution learning [6.160113667162026]
  このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。 平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。 我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
  論文  参考訳（メタデータ） (2026-05-27T07:31:42Z)
• Calibrated Decomposition of Aleatoric and Epistemic Uncertainty in Deep Features for Inference-Time Adaptation [3.018583625592182]
  ほとんどの推定器は、全ての不確実性モードを単一の信頼スコアに分解し、いつより多くの計算を割り当てるか、あるいは推論を調整するべきかについての信頼性の高い推論を防ぐ。 非確実性誘導推論時間選択(Uncertainty-Guided Inference-Time Selection)は,データ駆動型(データ駆動型)とモデル駆動型不確実性を,深い特徴空間で直接的に解消する軽量な推論時間フレームワークである。
  論文  参考訳（メタデータ） (2025-11-15T23:47:30Z)
• Heteroscedastic Uncertainty Estimation Framework for Unsupervised Registration [32.081258147692395]
  本稿では,異種画像の不確実性推定のためのフレームワークを提案する。 教師なし登録時の不確実性の高い領域の影響を適応的に低減することができる。 提案手法は, ベースラインを常に上回り, 有意な不確実性推定を導出する。
  論文  参考訳（メタデータ） (2023-12-01T01:03:06Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• STAR Loss: Reducing Semantic Ambiguity in Facial Landmark Detection [80.04000067312428]
  本稿では,意味的あいまいさの特性を利用した自己適応型あいまいさ低減(STAR)の損失を提案する。 意味的あいまいさは異方性予測分布をもたらすことが分かり、予測分布を用いて意味的あいまいさを表現する。 また,分布の異常変化とモデルの初期収束を回避できる2種類の固有値制限法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T10:33:25Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。