Une étude sur la généralisation des modèles inférant l’humeur primée

Les chercheurs de l’Idiap et leurs collègues de nombreux pays étudient la généralisation et la personnalisation des modèles utilisant les données des capteurs de mobiles pour en déduire l’humeur des gens. La publication scientifique présentant leur travail a été distinguée lors de la conférence Ubicomp/ISWC.

Les capteurs et l’informatique mobiles jouent un rôle croissant dans notre quotidien. Chercheurs et entreprises utilisent ces technologies pour fournir des informations et des services personnalisés. Ces prouesses sont possible grâce à l’analyse des données mobiles effectuée par des modèles d’apprentissage automatique. Ces modèles permettent la création d’applications mobiles personnalisées et sensibles à leur environnement, ainsi que de fournir de précieuses informations pour les app de santé.

Malgré les problèmes liés à la généralisation de ces modèles identifiés dans plusieurs travaux précédents, la recherche se focalise souvent sur l’amélioration de la précision de ces modèles construits sur la base de données de populations homogènes. En revanche, les performances de la généralisation de ces modèles inférant l’humeur à d’autres populations, y compris dans d’autres pays, sont moins étudiées.

L’article publié par Lakmal Meegahapola, doctorant, le professeur Daniel Gatica-Perez, responsable du groupe de recherche Social Computing à l’Idiap, et une équipe internationale de chercheurs a reçu le IMWUT Distinguished Paper Award à la conférence ACM Ubicomp/ISWC 2023 à Cancun au Mexique. Ce prix récompense l’étude publiée dans la revue scientifique Proceedings of the ACM on Interactive, Mobile, Wearable, and Ubiquitous Technologies. Cette recherche a été réalisée dans le contexte du projet européen H2020 WeNet.

Une approche plus diversifiée et plus inclusive

Pour travailler avec des données de capteurs mobiles plus diversifiées, les scientifiques ont fait appel à des volontaires pour collecter des centaines de milliers de rapports personnels dans huit pays différents : Chine Danemark, Inde, Mexique, Mongolie, Paraguay et Royaume-Uni. Cette approche leur a permis d’évaluer les effets de la diversité géographique sur les modèles déduisant l’humeur.

« Pour évaluer les performances, on a comparé des modèles entraînés et testés pour un pays, pour un continent, testés sur un pays ne faisant pas partie des données d’entraînement, ainsi qu’entraînés et testés pour plusieurs pays. On a fait ça pour des tâches d’inférence de l’humeur de modèles non-personnalisés ou partiellement personnalisés », explique Lakmal Meegahapola.

Les résultats montrent que les modèles partiellement personnalisés et spécifiques à un pays obtiennent les meilleures performances. De plus, les modèles non-centrés sur un pays sont moins bons que ceux liés à un pays, même lorsqu’ils sont en partie personnalisés. Étonnement, les modèles spécifiques à un continent sont meilleurs que ceux pour de multiples pays dans le cas de l’Europe, mais pas pour l’Asie.

Construire des intelligences artificielles qui servent tout le monde

Ce travail participe à illustrer les problèmes liés aux biais géographiques dans les modèles utilisant l’apprentissage automatique et des données de capteurs de mobiles. Cette situation est d’autant plus sensible lorsqu’un modèle est utilisé tel quel dans un autre pays. « Nous espérons que ces résultats motiveront d’autres chercheurs à développer des applications mobiles utilisant des capteurs qui seront sensibles à la diversité géographique. Notre travail souligne l’urgence des lacunes actuelles et appelle à concevoir des intelligences artificielles prenant en compte toutes les régions du monde et pas uniquement les plus riches, économiquement parlant », conclut Daniel Gatica-Perez.

Plus d’information

- Papierscientifique: “Generalization and Personalization of Mobile Sensing-Based Mood Inference Models: An Analysis of College Students in Eight Countries”, Lakmal Meegahapola, William Droz, Peter Kun, Amalia de Götzen, Chaitanya Nutakki, Shyam Diwakar, Salvador Ruiz Correa, Donglei Song, Hao Xu, Miriam Bidoglia, George Gaskell, Altangerel Chagnaa, Amarsanaa Ganbold, Tsolmon Zundui, Carlo Caprini, Daniele Miorandi, Alethia Hume, Jose Luis Zarza, Luca Cernuzzi, Ivano Bison, Marcelo Rodas Britez, Matteo Busso, Ronald Chenu-Abente, Can Günel, Fausto Giunchiglia, Laura Schelenz, Daniel Gatica-Perez, Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (PACM IMWUT), January 2023: https://publications.idiap.ch/attachments/papers/2022/Meegahapola_IMWUT_2022.pdf  

- Groupe de recherche Social computing: https://www.idiap.ch/en/scientific-research/social-computing

- Projet européen H2020 WeNet: https://www.internetofus.eu/