一种面向亲密关系中个性化现实生活压力检测的少样本学习与领域自适应方法
机器学习
2022-10-28 v1 多媒体
摘要
我们设计了一种度量学习方法，旨在解决从动态现实生活数据建模人类结果所产生的计算挑战。所提出的度量学习基于一个孪生神经网络（Siamese neural network, SNN），该网络学习目标用户与非目标用户样本对之间的相对差异，从而能够应对目标用户标记数据稀缺的问题。该SNN进一步最小化目标用户与非目标用户之间所学嵌入的Wasserstein距离，从而缓解两者之间的分布不匹配。最后，鉴于焦点行为的基础发生率因用户而异，所提方法基于最接近目标的标记样本来近似焦点基础发生率，并据此进一步最小化Wasserstein距离。我们的方法以使用来自72对约会情侣的现实生活多模态数据进行逐小时压力分类为例加以说明。少样本和单样本学习实验结果表明，所提出的公式有利于压力分类，并能帮助缓解上述挑战。
引用
@article{arxiv.2210.15247,
title = {A few-shot learning approach with domain adaptation for personalized real-life stress detection in close relationships},
author = {Kexin Feng and Jacqueline B. Duong and Kayla E. Carta and Sierra Walters and Gayla Margolin and Adela C. Timmons and Theodora Chaspari},
journal= {arXiv preprint arXiv:2210.15247},
year = {2022}
}