論文の概要: Artifact Annotations Partially Substitute for Per-User Calibration: SAFE-EDA and a Normalization-Controlled Evaluation of Wrist-EDA Affect Recognition
- arxiv url: http://arxiv.org/abs/2610.01692v1
- Date: Thu, 01 Oct 2026 13:45:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.154638
- Title: Artifact Annotations Partially Substitute for Per-User Calibration: SAFE-EDA and a Normalization-Controlled Evaluation of Wrist-EDA Affect Recognition
- Title（参考訳）: SAFE-EDA と正規化制御による Wrist-EDA 評価
- Abstract要約: アーティファクトの監督は、同じ録音で自己監督された事前訓練よりもはるかに有用であった。
WESADが発表した50の研究のうち、どのデータが正規化に使われたかは5つに過ぎなかった。
- 参考スコア（独自算出の注目度）: 0.8749675983608171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wrist electrodermal activity (EDA) differs in amplitude from one person to the next, so affect-recognition models normalize their input before classification. Studies that test such models on held-out subjects seldom report where the normalization statistics come from, yet statistics computed from the held-out subject's own recording give the model information that a device does not have when it is first worn. We asked how this choice alters the measured benefit of pretraining. A compact convolutional network, SAFE-EDA, was pretrained on expert artifact annotations from 43 subjects and compared with the same network trained from scratch on the Wearable Stress and Affect Detection (WESAD) dataset (15 subjects, leave-one-subject-out), with two normalization sources crossed with four window hops. When the statistics came only from training subjects, pretraining raised macro-F1 by 0.078 to 0.227; when they came from the held-out user's full recording, the gain fell to between 0.020 and 0.050 and was no longer significant. Artifact supervision was far more useful than self-supervised pretraining on the same recordings (0.078 versus 0.008). Across 13 configurations in two datasets, the pretrained network was better in 12, but on the second dataset (26 subjects) per-user normalization increased the gain instead of reducing it, so the interaction depends on the data. Only five of 50 published WESAD studies state which data were used for normalization. Reporting this choice is necessary to separate first-use performance from performance after calibration.
- Abstract（参考訳）: Wrist Electrormal Activity (EDA) は、ある人から別の人への振幅が異なるため、感情認識モデルは分類前に入力を正規化する。
保持対象者におけるそのようなモデルをテストする研究は、正規化統計がどこから来たかはほとんど報告されないが、保持対象者自身の記録から計算された統計は、最初に装着された時にデバイスが持っていないモデル情報を与える。
我々は、この選択が事前トレーニングの利点をどう変えるか尋ねた。
コンパクトな畳み込みネットワークSAFE-EDAは43の被験者からの専門家によるアーティファクトアノテーションに基づいて事前訓練され、WESADデータセット(15の被験者、1つのサブジェクトアウト)のスクラッチからトレーニングされた同じネットワークと比較され、正規化ソースは4つのウィンドウホップで交差した。
トレーニング対象からのみ統計が得られた場合,事前学習ではマクロF1が0.078から0.227に上昇し,保持者の全記録からは0.020から0.050に減少し,有意な増加はみられなかった。
美術監督は、同じ録音(0.078対0.008)の自己監督前訓練よりもはるかに有用であった。
2つのデータセットの13構成中、事前トレーニングされたネットワークは12で改善したが、ユーザ単位の正規化の第2データセット(26の被験者)では、それを削減せずにゲインが増加したため、インタラクションはデータに依存する。
WESADが発表した50の研究のうち、どのデータが正規化に使われたかは5つに過ぎなかった。
この選択を報告するには、キャリブレーション後のパフォーマンスからファーストユースパフォーマンスを分離する必要がある。
関連論文リスト
- Behavioral Convergence Without Representational Convergence: Persistent Training-History Dependence in Neural Networks [0.0]
同じ最終目標に向けてトレーニングされたニューラルネットワークは、以前のトレーニング履歴によって形作られた内部表現を保持しながら、同様の予測性能に達することができる。
この効果は、ペアの畳み込みネットワークが同一の重みから始まり、逆タスクオーダを経験し、同じ共通相対分布を受信する、制御された逐次学習実験を用いて検討する。
論文 参考訳（メタデータ） (2026-09-29T15:38:10Z) - Model Effect or Label Effect? Refined Annotations and a Human-Referenced Benchmark for Pulmonary Embolism Segmentation [15.367049284227582]
CADPE, FUMPE, READから166症例のVoxel-annotated CT肺血管造影検査を行った。
2つの事前訓練されたnnU-Netモデルと、オリジナルのアノテーションと洗練されたアノテーションを評価することでラベル効果を測定した。
ラベル効果はCADPEおよびFUMPEのモデル効果を超え,READでは0.045であった。
論文 参考訳（メタデータ） (2026-08-25T12:34:07Z) - CUSUM-Shaped Inference-Time Monitoring and Targeted Re-Decoding for Quantized Small Language Model Reasoning [0.6999740786886536]
MGT-Bは、事前サンプリングの不確かさと変性の特徴の重なり合う窓を、位置条件による経験的尾の確率にマップする。
ログしきい値h=10のマニュアル選択後に最初に観察された問題同一性に対して,その効果が持続するかどうかを検証した。
どちらの分析も確証がなく、実証的要因は有効な電子プロセスや電子検出器として確立されていない。
論文 参考訳（メタデータ） (2026-07-22T13:34:17Z) - PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data [0.0]
PAIR-CIは非パラメトリック条件独立(CI)テストであり,複数の命令を直接推論手順に統合することによりキャリブレーションを回復する。
確率的に一貫した分散推定器は、クロスバリデーションと多重計算による不確かさを共同で説明する。
論文 参考訳（メタデータ） (2026-05-06T12:34:37Z) - The "Astonishing Regularity'' Revisited: Sensitivity of Learning-Rate Estimates to Practice-Sequence Length [0.7966335996690441]
学生ログデータの観察長は混合効果推定では無視できないという不測の仮定を探索する。
学生スキルペアあたりの最初の10回の捕獲は、学生の学習率の平均的なICCを75%に膨らませることを示した。
実例列長分布は,観測学習データに対する混合効果推定の未検討特性である,と我々は主張する。
論文 参考訳（メタデータ） (2026-05-03T03:07:36Z) - Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。
CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。
実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
論文 参考訳（メタデータ） (2023-11-16T06:27:35Z) - Self-Supervised Pretraining Improves Performance and Inference
Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。
3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
論文 参考訳（メタデータ） (2023-09-05T21:36:42Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - A Pretrainer's Guide to Training Data: Measuring the Effects of Data
Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。
以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
論文 参考訳（メタデータ） (2023-05-22T15:57:53Z) - Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。
本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。
この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。
本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-11T01:36:08Z)
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。