Fugu-MT 論文翻訳(概要): Predicting Human Disagreement for Calibrated Dynamic Facial Expression Recognition

論文の概要: Predicting Human Disagreement for Calibrated Dynamic Facial Expression Recognition

arxiv url: http://arxiv.org/abs/2609.17130v1
Date: Tue, 15 Sep 2026 12:55:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.53029
Title: Predicting Human Disagreement for Calibrated Dynamic Facial Expression Recognition
Title（参考訳）: 動的顔表情認識のための人間の識別予測
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.523217686212197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dynamic facial expression recognition (DFER) benchmarks such as DFEW provide multiple annotator votes per clip, yet most models collapse them to a majority label and cannot represent human disagreement at inference time. We propose a disagreement-aware DFER framework that trains directly on the raw annotator count vector using a Dirichlet-Multinomial likelihood. Unlike mean-only soft-label objectives, the proposed likelihood provides scale-sensitive supervision for the Dirichlet concentration while preserving the predictive mean. A separate ambiguity head predicts annotation entropy for unseen clips, and a monotone Chow-style reject rule combines predicted ambiguity, vacuity, temporal instability, and input quality for selective prediction. On DFEW, the method preserves recognition accuracy while reducing ECE by 30% and AURC by 15%, and predicted ambiguity reaches a Spearman correlation of 0.52 with the annotation entropy of test clips. The calibration and selective-prediction gains transfer to FERV39k and remain under identity- and movie-disjoint DFEW splits.
Abstract（参考訳）: DFEWなどの動的表情認識(DFER)ベンチマークでは、クリップ毎に複数のアノテータ投票が提供されているが、ほとんどのモデルは多数決で崩壊し、推論時に人間の不一致を表現できない。本稿では、ディリクレ・マルチノミカル確率を用いて、生のアノテータ数ベクトルを直接訓練する不一致対応のDFERフレームワークを提案する。平均のみのソフトラベルの目的とは異なり、予測平均を保ちながらディリクレ濃度をスケールセンシティブに監視する可能性が提案されている。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、時間不安定性、入力品質を組み合わせて選択的な予測を行う。 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。キャリブレーションと選択的予測はFERV39kに転送され、DFEWと同一視される。

関連論文リスト

Rethinking the Test-Time Prompt Tuning Objective from the Perspective of Calibration [14.593876228926185]
テスト時間プロンプトチューニング(TPT)は強力なパラダイムとして登場し、複数の拡張ビュー上でエントロピー最小化(EM)を介して各テストサンプルに対してプロンプトを精製する。本稿では,従来のEM損失の代替として,クロスエントロピーによる拡張ビューから導出される目標分布と,オリジナルビュー予測を一致させることを提案する。我々は,信頼度に応じて各拡張ビュー予測に信頼性を考慮した温度スケーリングを適用し,不確かさを和らげつつ,信頼度予測を鋭くする。
論文参考訳（メタデータ） (2026-08-31T04:33:05Z)
Bias-Corrected Ceilings of Emotion Predictability from Human Label Variation Based on Instance-Level Fano Bounds [0.0]
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。
論文参考訳（メタデータ） (2026-08-16T08:34:46Z)
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)
Aligning LLM Uncertainty with Human Disagreement in Subjectivity Analysis [57.78407973423517]
我々は、モデルが人間の不一致を反映した不確実性を表現しながら予測する不確実性を考慮した主観性分析を提唱する。この視点を運用するために,二相認識と不確実性アライメントの枠組みを提案する。 3つの主観的分析課題の実験は、DPUAが人間の不一致とモデルの不確実性をよりよく整合させながら、タスク性能を保っていることを示している。
論文参考訳（メタデータ） (2026-05-11T11:52:58Z)
FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
論文参考訳（メタデータ） (2026-05-05T02:31:18Z)
Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference [0.0]
TCR-pMHC結合予測のためのニューラルネットワークは、ショートカット学習の影響を受けやすい。本稿では,生物学的に制約された反事実ペプチド編集を生成するトレーニングフレームワークであるemphCounterfactual Invariant Prediction (CIP)を紹介する。
論文参考訳（メタデータ） (2026-04-14T19:40:46Z)
Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文参考訳（メタデータ） (2026-04-11T10:47:22Z)
Calibrating Uncertainty for Zero-Shot Adversarial CLIP [33.707647228637114]
予測精度と不確実性アライメントの両方を考慮した,CLIPの新たな逆調整目標を提案する。我々の目的は、これらの分布を摂動の下で均等に整列させ、シングルログのアンカーを超えて不確実性を回復することである。
論文参考訳（メタデータ） (2025-12-15T05:41:08Z)
LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文参考訳（メタデータ） (2025-12-01T11:27:09Z)
Uncertainty-Aware Label Refinement on Hypergraphs for Personalized Federated Facial Expression Recognition [58.98052764581606]
我々はhYpergraphs (AMY) 法に基づく新しい不確実性認識ラベルリファレントを開発する。ローカルトレーニングでは、各ローカルモデルは、バックボーン、不確実性推定(UE)ブロック、および式分類(EC)ブロックで構成される。次に、ローカルクライアントにおける標本の不確実性重みを推定するために、パーソナライズされた不確実性推定器を導入する。
論文参考訳（メタデータ） (2025-01-03T13:59:21Z)
Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文参考訳（メタデータ） (2021-12-15T15:17:02Z)

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。