masked-supervision
마스킹된 감독
학습 데이터의 일부 샘플이 모든 태스크 레이블을 갖지 않을 때 손실 계산에서 해당 차원을 배제하는 기법으로, 누락된 레이블이 그래디언트에 영향 주지 않도록 한다. 본 연구는 s-Aff-Wild2에서 관찰되는 부분 주석 문제에 맞춰 각 샘플별 22차원 유효 마스크를 적용하여 흐름과 결정론적 손실을 모두 마스킹했다. 이 방식은 주석 불완전성에도 불구하고 결합 분포 학습을 가능하게 했다.
중급
마스킹된 감독
학습 데이터의 일부 샘플이 모든 태스크 레이블을 갖지 않을 때 손실 계산에서 해당 차원을 배제하는 기법으로, 누락된 레이블이 그래디언트에 영향 주지 않도록 한다. 본 연구는 s-Aff-Wild2에서 관찰되는 부분 주석 문제에 맞춰 각 샘플별 22차원 유효 마스크를 적용하여 흐름과 결정론적 손실을 모두 마스킹했다. 이 방식은 주석 불완전성에도 불구하고 결합 분포 학습을 가능하게 했다.
