論文の概要: Enhancing Preference Detection using Eye Movement Cascade and Multilayer Combinatorial Fusion
- arxiv url: http://arxiv.org/abs/2611.17145v1
- Date: Thu, 12 Nov 2026 17:31:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.570908
- Title: Enhancing Preference Detection using Eye Movement Cascade and Multilayer Combinatorial Fusion
- Title(参考訳): 眼球運動カスケードと多層コンビネーション融合による優先検出の強化
- Abstract要約: 被験者が2つの選択肢を比較する際に、眼球運動パターンを用いて嗜好決定を予測する方法について検討する。
多様なモデルを反復的に組み合わせるために,多層コンビネーション・フュージョン・フレームワークを適用した。
実験結果から, MCFは個々のモデルよりも性能が有意に向上することが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding how visual attention influences human preference formation is a fundamental problem in consumer behavior and cognitive science. In this work, we investigate how eye movement patterns can be used to predict preference decisions when subjects compare two alternatives. To address this problem, we analyze an eye-tracking dataset, where subjects view pairs of face images and their gaze behavior is recorded throughout the decision process. We model this problem using multiple machine learning classifiers and apply the Multi-layer Combinatorial Fusion (MCF) framework to iteratively combine diverse models. The MCF framework expands models to a large pool of model fusions and then reduces them based on cognitive diversity, repeating this process across layers until diversity diminishes. Experimental results show that MCF significantly improves performance over individual models. The best single model achieves a Pre@k of 0.90, which is improved to 0.9143 after the first layer of MCF, and further increased to 0.9286 in the second layer. This progression demonstrates that the second layer not only surpasses the performance of the first layer but also outperforms the best individual model, highlighting the effectiveness of leveraging diversity through multi-layer fusion.
- Abstract(参考訳): 視覚的注意が人間の嗜好形成にどのように影響するかを理解することは、消費者行動と認知科学の基本的な問題である。
本研究では,眼球運動パターンを用いて,被験者が2つの選択肢を比較した場合の嗜好決定を予測する方法について検討する。
この問題に対処するために、被験者が顔画像のペアと視線の振る舞いを判断プロセスを通して記録する、視線追跡データセットを解析する。
複数の機械学習分類器を用いてこの問題をモデル化し、多層コンビネータ融合(MCF)フレームワークを用いて多様なモデルを反復的に組み合わせる。
MCFフレームワークはモデルをモデル融合の大規模なプールに拡張し、認知的多様性に基づいてモデルを削減し、多様性が低下するまでこのプロセスをレイヤ間で繰り返す。
実験結果から, MCFは個々のモデルよりも性能が有意に向上することが示された。
最高のシングルモデルはPre@kが0.90で、CMFの第1層の後、0.9143に改善され、さらに第2層では0.9286に増加した。
この進歩は、第2層が第1層の性能を上回るだけでなく、最高の個別モデルよりも優れており、多層融合による多様性の活用の有効性を強調している。
関連論文リスト
- Understanding Layer Patching in Model Size Interpolation [30.74896485280105]
パッチは, モデル家族間で大きく異なる影響を伴って, 行動が強く形成されることを示す。
KLPatchは、KLの発散に基づくグリージーなパッチアルゴリズムであり、Lon-to-firstパッチよりもしばしば改善される。
論文 参考訳(メタデータ) (2026-07-09T07:14:12Z) - Multi-Layer Visual Feature Fusion in Multimodal LLMs: Methods, Analysis, and Best Practices [40.48590954153895]
MLLM(Multimodal Large Language Models)は近年大きな進歩を遂げており、視覚的特徴はモデル性能の向上においてますます重要な役割を担っている。
しかし、MLLMにおける多層視覚機能の統合は、特に最適な層選択と融合戦略に関して、未検討のままである。
本稿では,(1)最も効果的な視覚層を選択すること,(2)言語モデルとの最良の融合手法を特定すること,の2つの側面を体系的に検討する。
論文 参考訳(メタデータ) (2025-03-08T05:10:55Z) - SurgeryV2: Bridging the Gap Between Model Merging and Multi-Task Learning with Deep Representation Surgery [54.866490321241905]
モデルマージに基づくマルチタスク学習(MTL)は、複数のエキスパートモデルをマージしてMTLを実行するための有望なアプローチを提供する。
本稿では,統合モデルの表現分布について検討し,「表現バイアス」の重要な問題を明らかにする。
このバイアスは、マージされたMTLモデルの表現と専門家モデルの間の大きな分布ギャップから生じ、マージされたMTLモデルの最適下性能に繋がる。
論文 参考訳(メタデータ) (2024-10-18T11:49:40Z) - Model-GLUE: Democratized LLM Scaling for A Large Model Zoo in the Wild [84.57103623507082]
本稿では,全体論的な大規模言語モデルスケーリングガイドラインであるModel-GLUEを紹介する。
既存のスケーリングテクニック,特に選択的マージ,および混合の変種をベンチマークする。
次に、異種モデル動物園の選択と集約のための最適な戦略を定式化する。
我々の手法は、マージ可能なモデルのクラスタリング、最適なマージ戦略選択、クラスタの統合を含む。
論文 参考訳(メタデータ) (2024-10-07T15:55:55Z) - FissionFusion: Fast Geometric Generation and Hierarchical Souping for Medical Image Analysis [0.7751705157998379]
十分に注釈付けされた医療データセットの不足は、ImageNetのような広範なデータセットやCLIPのような事前訓練されたモデルからの移行学習を活用する必要がある。
モデルスープは、In-Domain(ID)タスクのパフォーマンスを改善し、out-of-Distribution(OOD)データセットに対する堅牢性を高めることを目的とした、複数の微調整されたモデルの平均である。
本稿では,様々なレベルのモデルの局所的および大域的集約を伴う階層的統合手法を提案する。
論文 参考訳(メタデータ) (2024-03-20T06:48:48Z) - Layer-wise Linear Mode Connectivity [52.6945036534469]
ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。
フェデレートラーニングにおいて最も顕著に用いられている。
私たちは、単一グループやグループを平均化するモデルの性能を分析します。
論文 参考訳(メタデータ) (2023-07-13T09:39:10Z) - Learning Joint Latent Space EBM Prior Model for Multi-layer Generator [44.4434704520236]
多層ジェネレータモデルの学習における基礎的問題について検討する。
本稿では,全層にまたがる待ち行列空間上のエネルギーモデル (EBM) を提案する。
実験により、学習したモデルが高品質な画像を生成する際に表現できることが実証された。
論文 参考訳(メタデータ) (2023-06-10T00:27:37Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳(メタデータ) (2022-09-30T15:01:35Z)
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。