論文の概要: Dimension-Specific Imbalance and an Adaptive Hybrid Label Strategy for Multi-Task Affective State Recognition in Classroom Video

• arxiv url: http://arxiv.org/abs/2609.31750v1
• Date: Wed, 23 Sep 2026 08:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:09:01.42987
• Title: Dimension-Specific Imbalance and an Adaptive Hybrid Label Strategy for Multi-Task Affective State Recognition in Classroom Video
• Title（参考訳）: 教室ビデオにおけるマルチタスク影響状態認識のための次元比不均衡と適応型ハイブリッドラベル戦略
• Abstract要約: 授業ビデオからの生徒の感情状態の認識は、真の性質が過小評価されているクラス不均衡問題によって制約される。 このタスクのデファクトベンチマークであるDAiSEEでは、クラス不均衡は基本的に次元固有の現象である。 適応型ハイブリッドラベル戦略 (Adaptive Hybrid Label Strategy, AHLS) を提案する。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recognition of student affective states from classroom video is constrained by a class imbalance problem whose true nature is, we argue, under-analyzed. We show that on DAiSEE -- the de facto benchmark for this task -- class imbalance is fundamentally a dimension-specific phenomenon: raw imbalance ratios reach as high as approximately 79:1 (Frustration), and the structure of imbalance -- not only its magnitude -- varies across dimensions, so uniform algorithmic treatments (aggressive class reweighting, focal loss, uniform binary simplification) fail in dimension-dependent ways. We propose the Adaptive Hybrid Label Strategy (AHLS), which assigns four-level classification to dimensions with manageable imbalance and binary classification to severely long-tailed dimensions, coupled with a null-class placeholder mechanism that stabilizes multi-task optimization by compressing the maximum effective inverse-frequency weight ratio from as high as ~79$\times$ to at most ~8.5$\times$ across the four dimensions. Validated on a lightweight FERShuffleNetV2 + LTCN architecture (0.39 M parameters, 0.07 G FLOPs), the strategy attains the highest mean Macro-F1 of 47.70% across all four affective dimensions among 11 compared methods, including five state-of-the-art deep models (up to 167$\times$ larger) and five traditional machine-learning baselines. A cross-model behavioral analysis on DAiSEE indicates that, in this setting, classification strategy may influence minority-state recognition more strongly than further backbone scaling alone. We also report evidence of an annotation-density limitation of DAiSEE on minority affective states, which suggests that benchmark design may bound future progress as much as algorithmic refinement. Index Terms Affective computing, classroom video analysis, class imbalance, multi-task learning, lightweight deep learning, DAiSEE, engagement recognition.
• Abstract（参考訳）: 授業ビデオからの生徒の感情状態の認識は、真の性質が過小評価されているクラス不均衡問題によって制約される。 このタスクのデファクト・ベンチマークであるDAiSEEでは、クラス不均衡は基本的に次元依存的な現象であり、生の不均衡比はおよそ79:1(フラストレーション)に達し、不均衡の構造は次元によって異なるため、一様アルゴリズム処理(攻撃的クラス再重み付け、焦点損失、一様バイナリ単純化)は次元依存的な方法で失敗する。 適応型ハイブリッドラベル戦略 (Adaptive Hybrid Label Strategy, AHLS) は, 4次元にわたる最大実効的逆周波数重量比を最大79$\times$から最大8.5$\times$に圧縮することにより, マルチタスク最適化を安定化するヌルクラスプレースホルダー機構と組み合わせて, 管理可能な不均衡と二値分類の次元に4段階の分類を割り当てる。 軽量のFERShuffleNetV2 + LTCNアーキテクチャ(0.39Mパラメータ、0.07G FLOPs)で検証されたこの戦略は、5つの最先端のディープモデル(最大167$\times$ larger)と5つの伝統的な機械学習ベースラインを含む11の手法のうち、47.70%の平均マクロF1を達成する。 DAiSEEのクロスモデル行動分析は、この設定では、分類戦略がバックボーンスケーリング単独よりもマイノリティ国家認識に強く影響を及ぼす可能性があることを示唆している。 また,DAiSEEのマイノリティ感情状態に対するアノテーション密度制限の証拠を報告する。 Index Terms Affective Computing、教室のビデオ分析、クラス不均衡、マルチタスク学習、軽量ディープラーニング、DAiSEE、エンゲージメント認識。

関連論文リスト

• Towards Compact Unified Multimodal Tracking: Synergizing Knowledge Distillation with Structural Pruning [80.73561460934809]
  多モード物体追跡は 相補的なセンサーデータを活用することで 目覚ましい堅牢性を達成した 我々は予測ヘッドを重要ではあるが、しばしば見過ごされる効率ボトルネックとみなしている。 デコーダアーキテクチャを戦略的に合理化することで、リアルタイム推論の可能性を解き放ちます。
  論文  参考訳（メタデータ） (2026-08-02T20:41:33Z)
• Conservative Subject Invariant EMG-based Gesture Recognition [5.3586882207603]
  クロスオブジェクト一般化は表面筋電図に基づくジェスチャー認識における課題である。 主観不変なsEMGジェスチャー認識のための保守的多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T09:14:11Z)
• Class-Specific Branch Attention for Mitigating Gradient Interference under Class Imbalance [0.0]
  我々は,共有表現におけるクラス間勾配干渉という,相補的な最適化レベルの病理を同定する。 本稿では,分枝特異的チャネル再重み付けによる勾配結合の低減を可能にする軽量な修正型クラス特化分岐注意(CSBA)を提案する。 経験的にCSBAはマイノリティクラスのパフォーマンスを改善し、フィジカル・ダマージュクラスのF1スコアを0.261から0.522に引き上げる。
  論文  参考訳（メタデータ） (2026-06-04T06:07:08Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Rethinking Multimodal Learning from the Perspective of Mitigating Classification Ability Disproportion [6.749782429802639]
  マルチモーダル学習は、モダリティの不均衡によって著しく制約される。 本稿では,強化の原理を取り入れて,弱いモダリティと強いモダリティの分類能力のバランスをとる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:12:20Z)
• Class Balanced Dynamic Acquisition for Domain Adaptive Semantic Segmentation using Active Learning [3.175227858236288]
  ドメイン適応型アクティブラーニングは、ニューラルネットワークのラベル効率のトレーニングにおいて電荷を導いている。 セマンティックセグメンテーションでは、最先端のモデルでは、不確実性と多様性の2つの基準を併用してトレーニングラベルを選択する。 このような手法は、現在、より大規模なアクティブな学習予算のために、その性能を低下させるクラス不均衡の問題に悩まされている。
  論文  参考訳（メタデータ） (2023-11-23T18:35:26Z)
• Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
  クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。 本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。 我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
  論文  参考訳（メタデータ） (2023-08-27T19:01:29Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)

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。