人类的内部状态在人机交互中起关键作用,导致人类国家估计作为一个重要领域的兴起。与迅速的状态变化(例如惊喜和刺激)相比,诸如信任和满意之类的渐进状态的建模受到标签稀疏性的挑战:长时间的信号通常与单个标签有关,因此很难确定国家转变的关键范围。窗口是一种广泛使用的技术,可以实现长时间序列数据的局部分析。但是,下游模型的性能可能对窗口尺寸敏感,并确定最佳窗口大小需要域的范围和广泛的搜索。为了应对这一挑战,我们提出了一个选择性的窗口注意网络(SWAN),该网络采用窗口提示和蒙版注意力转换,以便可以选择具有灵活长度的参与时间间隔。我们在新的多模式驾驶模拟数据集中评估天鹅的信任预测任务。实验表明,天鹅大大超过了现有的经验窗口选择基线和神经网络基线,包括CNN-LSTM和Transformer。更重要的是,与传统的窗口方法相比,它显示出较宽的窗口范围的稳健性。
主要关键词