平均を超えて：連続的な感情予測における注釈分布のモデリング

要旨: 感情の注釈は本質的に主観的であり、認知的に負荷が高く、単一の真の正解というよりも注釈者間で多様な知覚を反映する信号が得られる。連続的な感情推定（continuous affect prediction）では、このばらつきは通常、平均や中央値といった一点推定へと集約され、注釈者間の不一致や不確実性に関する有益な情報が捨てられてしまう。本研究では、Beta分布を用いて注釈の合意（consensus）をモデル化する、分布を考慮した枠組みを提案する。単一の感情値を予測するのではなく、モデルは注釈分布の平均と標準偏差を推定し、それらをモーメント一致（moment matching）によって有効なBetaパラメータへと変換する。この定式化により、歪度（skewness）、尖度（kurtosis）、分位点（quantiles）を含む高次の分布記述子を、閉形式で復元できる。その結果、モデルは感情知覚の中心傾向だけでなく、注釈者の応答におけるばらつき、非対称性、不確実性も捉える。我々は、マルチモーダル特徴を用いて、SEWAおよびRECOLAのデータセットで提案手法を評価する。実験結果は、Betaに基づくモデリングが、経験的な注釈者分布とよく一致する予測分布を生成する一方で、従来の回帰アプローチと競争力のある性能を達成することを示している。これらの知見は、感情計算（affective computing）において注釈の不確実性をモデル化することの重要性を強調し、主観的な信号分析のための分布を考慮した学習の可能性を示している。