利用数据增强改进效价与唤醒度预测中的个性化
机器学习
2024-04-16 v1 人工智能
计算机视觉与模式识别
摘要
在情感识别与人机交互（HMI）领域，个性化方法已展现出其在捕捉个体特定特征及提升情感预测准确性方面的效力。然而，个性化技术常面临目标个体数据有限的挑战。本文介绍了我们关于一种增强型个性化策略的工作，该策略利用数据增强来开发用于连续效价与唤醒度预测的定制模型。我们提出的方法，即距离加权增强（DWA），采用一种基于加权的增强方法来扩展目标个体的数据集，利用距离度量在片段级别识别相似样本。在 MuSe-Personalisation 2023 挑战赛数据集上的实验结果表明，我们的方法在测试集上显著提升了基线性能较低的特征集的性能。这种对表现不佳特征的改进并未牺牲高性能特征的性能。特别是，我们的方法实现了 0.78 的最高组合测试一致性相关系数（CCC），而报告的基线分数为 0.76（复现分数为 0.72）。它还分别达到了 0.81 和 0.76 的峰值唤醒度与效价分数，而复现的基线分数分别为 0.76 和 0.67。通过这项工作，我们为个性化情感计算模型的进步做出了重要贡献，增强了数据级个性化在现实世界环境中的实用性和适应性。
引用
@article{arxiv.2404.09042,
title = {Improving Personalisation in Valence and Arousal Prediction using Data Augmentation},
author = {Munachiso Nwadike and Jialin Li and Hanan Salam},
journal= {arXiv preprint arXiv:2404.09042},
year = {2024}
}