論文の概要: Contrastive Neural Embeddings Reveal Individual Traits Beyond Conversational Role
- arxiv url: http://arxiv.org/abs/2610.03410v1
- Date: Fri, 02 Oct 2026 15:00:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.433004
- Title: Contrastive Neural Embeddings Reveal Individual Traits Beyond Conversational Role
- Title（参考訳）: コントラスト型ニューラルエンベディングは、会話的役割を超えた個人的特性を呈する
- Abstract要約: 我々は会話中のダイアドから記録された脳波にCEBRAを適用し、その結果の埋め込みを分析する。
パートナーの自閉症引用スコアの絶対的な違いを含むダイアドを記述したラベルは、チャンスをはるかに上回っている。
話者対リスナーの役割分析は同じ埋め込みにおいて偶然に実行され、個人によって組織された多様体を示す。
- 参考スコア（独自算出の注目度）: 0.13999481573773068
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Contrastive representation learning is increasingly used to recover low-dimensional structure from neural recordings, but its output is typically validated by decoding accuracy rather than by the geometry of the manifold it produces. We apply CEBRA to EEG recorded from dyads in conversation, and analyze the resulting embedding, which training constrains to the 2D sphere. Labels describing the dyads, including the absolute difference between partners' autism-quotient scores, decode well above chance (0.77 against a 0.55 majority baseline for binary AQ magnitude; 0.44 against 0.25 for the six-class $|Δ$AQ$|$ partition). However, the two permutation controls have notable differences in results: permuting labels over a frozen embedding yields p = 0.001, whereas retraining the encoder under each permutation yields p = 0.50. Only the latter tests the label rather than the geometry. Consistent with this, spherical mixture structure and per-class dispersion track identity rather than autism trait differences in dyads; frequency-band and non-oscillatory activity ablation controls do not change the results. However, participant-level model does separate from its identity-aware null (p = 0.0099) while speaker-versus-listener role analysis performs at chance in the same embedding, indicating a manifold organized by individual -- and, in contrast with current neurolinguistics models, almost invariant to speaking vs. listening. Based on these results, we suggest that retraining-based nulls should be the default for grouped-data contrastive embeddings.
- Abstract（参考訳）: コントラスト表現学習は、ニューラル記録から低次元構造を復元するためにますます用いられるが、その出力は、生成する多様体の幾何学によってではなく、復号精度によって検証されるのが一般的である。
会話中のダイアドから記録された脳波にCEBRAを適用し、その結果の埋め込みを分析し、2次元球面への制約を訓練する。
ダイアドを記述したラベルは、パートナーの自閉症指数スコアの絶対的な違いを含むが、確率をかなり上回る (0.77対バイナリAQ等級0.55の過半数ベースライン、0.44対0.25対6級$|Δ$AQ$|$パーティション)。
しかし、2つの置換制御には顕著な違いがある: 凍結埋め込み上のラベルの置換は p = 0.001 となり、一方、各置換の下でエンコーダを再訓練すると p = 0.50 となる。
後者のみが、幾何学ではなくラベルをテストする。
これと一致して、ダイアドの自閉症特性の違いではなく、球状混合構造とクラスごとの分散トラックの同一性は、周波数帯域および非振動活性アブレーション制御は、結果を変えない。
しかし、参加者レベルモデルは、そのアイデンティティを意識したnull(p = 0.0099)とは別物であり、話者対リスナーの役割分析は同じ埋め込みにおいて偶然に実行され、個人によって組織された多様体を示し、そして現在の神経言語学モデルとは対照的に、話者対リスニングにはほとんど不変である。
これらの結果に基づいて、再トレーニングベースのnullは、グループ化されたデータコントラッシブな埋め込みのデフォルトであるべきだと提案する。
関連論文リスト
- Certified Topological Interaction in Neural Representations: Class Disentanglement Is Mostly Pairwise [0.0]
我々は最近導入された断面特徴プロファイルを用いて,ラベル付き点雲間のトポロジ的相互作用を測定する。
111の訓練されたネットワークと52,650の認定された測定値で、絡み合いは深度が低下し、最初のエポックに集中している。
クラス三重の関節の絡み合いは、最強の対の97%の3重層細胞と99.5%の深層細胞、測定値のヌルフロアよりもはるかに低い位置にある。
論文 参考訳（メタデータ） (2026-09-08T10:51:56Z) - Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。
統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文 参考訳（メタデータ） (2026-09-03T14:05:27Z) - A Shared Encoder Is Not a Shared Task: Conditional Comparison for Deep Expert Pools [0.0]
凍結共有表現上の交差評価されたヘッドは、浅い交換スコアの補間共役を継承する。
埋め込み空間における条件付き二識別器の不一致は、両方の盲点を解消することを示す。
2軸ゲートは、一致したトレーニング予算で交換や新規トリガーよりも頭が少なく、より良い意思決定品質が得られる。
論文 参考訳（メタデータ） (2026-08-21T05:33:28Z) - What Changed? Drift Detection with Real, Virtual, and Incomparable Diagnosis [0.0]
凍結共有表現上の交差評価されたヘッドは、浅い交換スコアの補間共役を継承する。
埋め込み空間における条件付き二識別器の不一致は、両方の盲点を解消することを示す。
2軸ゲートは、一致したトレーニング予算で交換や新規トリガーよりも頭が少なく、より良い意思決定品質が得られる。
論文 参考訳（メタデータ） (2026-08-20T10:59:53Z) - Leveraging Dissimilarity Invariance as a Robust Anchor for Learning with Noisy Labels [7.387043782056831]
ディープラーニングモデルは視覚認識に優れるが、トレーニングラベルがノイズによって破損した場合、厳しいパフォーマンス低下を被る。
我々は、ラベルノイズにもかかわらず無関係なサンプル間の意味的相違が安定している現象、異種性不変性(dissimilarity invariance)を明らかにする。
脆弱な類似性から堅牢な相似性へと焦点を移すプラグイン・アンド・プレイフレームワークであるNegScaleを提案する。
論文 参考訳（メタデータ） (2026-07-20T11:56:56Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。
我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-19T10:34:08Z) - Explicit Tradeoffs between Adversarial and Natural Distributional
Robustness [48.44639585732391]
実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。
本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
論文 参考訳（メタデータ） (2022-09-15T19:58:01Z) - Speaker Embedding-aware Neural Diarization: a Novel Framework for
Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。
話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
論文 参考訳（メタデータ） (2022-03-18T06:40:39Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳（メタデータ） (2021-10-22T01:55:01Z) - Constructing interval variables via faceted Rasch measurement and
multitask deep learning: a hate speech application [63.10266319378212]
本稿では,教師付き深層学習と多面的ラッシュアイテム応答理論(IRT)構築手法を組み合わせることで,連続区間スペクトル上の複素変数を測定する手法を提案する。
われわれは、YouTube、Twitter、Redditから5万件のソーシャルメディアコメントを収集し、1万1000人の米国拠点のAmazon Mechanical Turkの労働者によってラベル付けされたデータセット上で、この新しい手法を実証した。
論文 参考訳（メタデータ） (2020-09-22T02:15:05Z)
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。