論文の概要: Emoception: Selective Affective Layer Fine-Tuning of Video Vision Transformers for Player Arousal Change Recognition From Gameplay Footage

• arxiv url: http://arxiv.org/abs/2610.07603v1
• Date: Tue, 06 Oct 2026 01:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.749713
• Title: Emoception: Selective Affective Layer Fine-Tuning of Video Vision Transformers for Player Arousal Change Recognition From Gameplay Footage
• Title（参考訳）: エモセプション:ゲームプレイ映像からのプレイヤーの覚醒的変化認識のためのビデオビジョン変換器の選択的影響層微調整
• Abstract要約: SALFT(Selective Affective Layer Fine-Tuning)は、ゲームプレイによるプレイヤーの刺激認識におけるビデオビジョントランスフォーマーの適応フレームワークである。 Arousal Video Game AnnotatIoNデータセットの5倍のクロスバリデーションによる評価。
• 参考スコア（独自算出の注目度）: 2.1568283914263744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article proposes Selective Affective Layer Fine-Tuning (SALFT), an efficient adaptation framework for Video Vision Transformers in player arousal recognition from gameplay. To bypass computationally expensive full fine-tuning, SALFT introduces a selection criterion based on the L2-norm change in layer parameters after brief adaptation, directly measuring representational shifts and providing a more stable basis than gradient-based alternatives. Evaluated via five-fold cross-validation on the Arousal Video Game AnnotatIoN dataset, SALFT achieves performance comparable to full fine-tuning across all games without statistically significant degradation ($p>0.05$), while updating only $\approx$8% of parameters (over 92% reduction). Notably, in one game, SALFT consistently outperforms both full fine-tuning and the best baseline across all metrics and folds, reaching the theoretical minimum p-value (p=0.0625, exact two-sided Wilcoxon signed-rank test). In addition, we introduce an interpretability method to trace attention patterns, enhancing model transparency. These results establish SALFT as an effective and efficient approach for affective game computing.
• Abstract（参考訳）: 本稿では,プレイヤのゲームプレイからの覚醒的認識において,ビデオビジョン変換器の効率的な適応フレームワークであるSALFT(Selective Affective Layer Fine-Tuning)を提案する。 計算コストのかかるフル微調整を回避するため、SALFTは、簡単な適応後の層パラメータのL2-ノルム変化に基づく選択基準を導入し、直接的に表現シフトを測定し、勾配ベースの代替よりも安定した基底を提供する。 Arousal Video Game AnnotatIoNデータセットの5倍のクロスバリデーションによって評価され、SALFTは統計的に重要な劣化を伴わずに全ゲームの完全な微調整(p>0.05$)に匹敵するパフォーマンスを達成し、パラメータの$\approx$8%(92%以上)しか更新しない。 注目すべきは、あるゲームにおいて、SALFTは完全な微調整と全ての測定値と折り畳み値の最良のベースラインの両方を一貫して上回り、理論最小のp値(p=0.0625、正確には2辺のウィルコクソン符号付きテスト)に達することである。 さらに,注意パターンを追従し,モデルの透明性を高めるための解釈可能性手法を提案する。 これらの結果は、SALFTを感情型ゲームコンピューティングの効率的かつ効率的なアプローチとして確立している。

関連論文リスト

• Pre-PEFT Probing: Weight Statistics and Perturbation Robustness for Layer Selection in VLM Vision Encoders [5.462799081500865]
  本稿では,事前調整型探索手法を提案する。 PEFT (Efficient Fine-Tuning) 層選択 我々は一貫した相関関係を観察する: より大きな重みノルムとより高い条件数を持つ層は通常摂動に対してより堅牢である。
  論文  参考訳（メタデータ） (2026-09-14T08:49:31Z)
• Native Active Perception as Reasoning for Omni-Modal Understanding [96.19360756363501]
  我々は,OmniAgentをPOMDPに基づく反復的観察-判断サイクルとして定式化するために提案する。 OmniAgentはオンデマンドアクションを実行し、音声視覚キューを永続的なテキストメモリに選択的に蒸留する。 我々は,OmniAgentがオープンソースモデル間の最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-17T17:59:56Z)
• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• FALFormer: Feature-aware Landmarks self-attention for Whole-slide Image Classification [4.064178811354613]
  全スライド画像(WSI)のスライドレベル分類は、デジタルおよび計算病理学において重要な問題として広く認識されている。 本稿では,WSI全体を処理可能な効率的なスライドレベル分類モデルFALFormerを提案する。
  論文  参考訳（メタデータ） (2024-07-10T03:24:40Z)
• Sparse-Tuning: Adapting Vision Transformers with Efficient Fine-tuning and Inference [14.030836300221756]
  textbfSparse-Tuningは、画像やビデオの情報冗長性を考慮に入れた新しいPEFTメソッドである。 Sparse-Tuningは各層で処理されるトークンの量を最小限に抑え、計算とメモリのオーバーヘッドを2次的に削減する。 我々のSparse-TuningはGFLOPsを62%-70%に削減し,最先端性能を実現した。
  論文  参考訳（メタデータ） (2024-05-23T15:34:53Z)
• WeGeFT: Weight-Generative Fine-Tuning for Multi-Faceted Efficient Adaptation of Large Models [8.481707805559589]
  WeGeFT(Weight-Generative Fine-Tuning)は、トレーニング済みの重みから直接微調整重みを生成することを学習する新しい手法である。 この設計は、パラメータ、表現、計算、メモリの多面的効率を実現し、LoRAとその変種の性能を維持したり、超えたりしている。
  論文  参考訳（メタデータ） (2023-12-01T16:33:57Z)
• Hourglass Tokenizer for Efficient Transformer-Based 3D Human Pose Estimation [73.31524865643709]
  本稿では,Hourglass Tokenizer (HoT) と呼ばれるプラグアンドプレイのプルーニング・アンド・リカバリフレームワークを提案する。 私たちのHoDTは、冗長なフレームのポーズトークンのプルーニングから始まり、フル長のトークンを復元することで終了します。 提案手法は,従来のVPTモデルと比較して高い効率性と推定精度を両立させることができる。
  論文  参考訳（メタデータ） (2023-11-20T18:59:51Z)
• AdaptiveClick: Clicks-aware Transformer with Adaptive Focal Loss for Interactive Image Segmentation [51.82915587228898]
  インタラクティブイメージ(IIS)のためのトランスフォーマーベースのマスク適応セグメンテーションフレームワークであるAdaptiveClickを紹介した。 Click-Aware Mask-Adaptive Transformer Decoder (CAMD) はクリックと画像の特徴の相互作用を強化する。 通常のViTバックボーンでは、9つのデータセットに対する広範な実験結果から、AdaptiveClickが最先端の手法よりも優れていることが示される。
  論文  参考訳（メタデータ） (2023-05-07T13:47:35Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)

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。