面向理解情感波动的稀疏签到数据方法
机器学习
2024-09-12 v1 人机交互
摘要
数据稀疏性是限制AI工具在各个领域发挥作用的关键挑战。这一问题在需要主动用户输入而非来自自动传感器的数据的领域尤为突出。在此背景下，稀疏数据会阻碍捕捉个体情感体验的细微差别，如原因、触发因素和贡献因素。现有方法常依赖启发式方法或大型既有数据集，偏好深度学习模型且缺乏对新领域的适应性。本文提出一种新型概率框架，集成用户中心反馈学习，允许在有限数据下实现个性化预测。通过实现对64个选项中用户状态的60%预测准确率（随机选择的几率为1/64），该框架有效缓解了数据稀疏性。该方法在各种应用中都具有灵活性，弥合了理论AI研究与实际部署之间的鸿沟。
引用
@article{arxiv.2409.06863,
title = {Towards Understanding Human Emotional Fluctuations with Sparse Check-In Data},
author = {Sagar Paresh Shah and Ga Wu and Sean W. Kortschot and Samuel Daviau},
journal= {arXiv preprint arXiv:2409.06863},
year = {2024}
}