Ensemble Learning to Assess Dynamics of Affective Experience Ratings and Physiological Change

要約

感情的な経験と生理学的変化の一致は、何世紀にもわたって議論されてきたテーマです。
測定とデータ分析における最近の技術進歩は、この壮大な課題を解決する希望を与えてくれます。
オープン サイエンスとオープン データの実践は、学術コミュニティに開かれたデータ分析の課題とともに、この問題を解決するための有望なツールでもあります。
感情生理学と経験のコラボレーション (EPiC) の課題へのこのエントリでは、理論的な仮定とデータ駆動型の方法論を組み合わせたデータ分析ソリューションを提案します。
特徴量エンジニアリングとアンサンブル選択を使用しました。
各予測子は、トレーニングに利用できる情報を最大化するトレーニング データのサブセットでトレーニングされました。
後期融合は平均化ステップとともに使用されました。
「群衆の知恵」戦略を考慮して平均を選択しました。
この戦略により、テスト セット全体の RMSE は 1.19 となりました。
今後の研究では、私たちの仮定が正しいかどうか、また加重融合の可能性を慎重に調査する必要があります。

要約(オリジナル)

The congruence between affective experiences and physiological changes has been a debated topic for centuries. Recent technological advances in measurement and data analysis provide hope to solve this epic challenge. Open science and open data practices, together with data analysis challenges open to the academic community, are also promising tools for solving this problem. In this entry to the Emotion Physiology and Experience Collaboration (EPiC) challenge, we propose a data analysis solution that combines theoretical assumptions with data-driven methodologies. We used feature engineering and ensemble selection. Each predictor was trained on subsets of the training data that would maximize the information available for training. Late fusion was used with an averaging step. We chose to average considering a “wisdom of crowds” strategy. This strategy yielded an overall RMSE of 1.19 in the test set. Future work should carefully explore if our assumptions are correct and the potential of weighted fusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google