Unapređenje procena Ocean modela primenom multimodalne detekcije

Abstract

Detekcija ljudskih osobina predstavlja jednu od najvažnijih oblasti u psihologiji. Poslednjih godina, posebno sa porastom korišćenja neuronskh mreža ova oblast postaje i jedna od najobrađivanijih oblasti u računarstvu u oblastima veštačke inteligencije. Računarska detekcija ljuskih osobina predstavlja brz i precizan način obrade ljudskih osobina posebno kod primene u modelima poput OCEAN modela. Predviđanje više-modalnih osobina predstavlja jedan od najizazovnijih problema u oblasti računarstva, mašinskog učenja i neuronskih mreža. Osobine ljudi su podložne promenama u različitim vremenskim periodima, situacijama, mestima i u zavisnosti od posmatrača. Ova teza ima za cilj da reši ovaj problem optimizacijom predviđanja više-modalnih osobina pomoću nekoliko modela: model zasnovan na agregacionim funkcijama, model zasnovan na Huberovoj funkciji i SAM model. SAM model koristi algoritam Optimizacije roja čestica (eng. Particle Swarm Optimization). U radu je prikazan problem optimizacije parametara zasnovan na Optimizaciji rojem čestica, koji predstavlja efikasniju metodu kako za linearne tako i za nelinearne modele. Dobijeni rezultati pokazuju da SAM model može unaprediti predviđanja agregacionog modela koji pruža linearnu aproksimaciju osobina, kao i nelinearne modele robustne procene zasnovane na Huberovoj funkciji. Poređenjem predloženih metoda za unapređenje procena OCEAN modela primenom multimodalne detekcije i upoređivanjem sa drugim metodama nađenim u savremenoj literaturi, pokazano je da su dobijeni bolji rezultati, što dovodi do zaključka da je moguće pronaći bolje metode za unapređenje procena OCEAN modela primenom multimodalne detekcije primenom SAM modela.