人間の感情と精神状態を自動的に推定する際には、いくつかの困難が存在します。これらの困難には、時間解像度が低いまたはないラベルからの学習、データ量が少ない少数のデータセット（しばしば機密性制約による）からの学習、そして長時間の野外動画への対応があります。このような理由から、深層学習手法は過学習しやすく、つまり最終的な回帰タスクにおいて汎化性能が低い潜在表現に到達しがちです。この問題を克服するために、本研究では2つの補完的な貢献を導入します。第一に、マルチラベル回帰および順序問題向けの新しい関係損失を提案します。この損失関数は学習を正則化し、より良い汎化性能につながります。提案された損失関数は、ラベルベクトル間の関係情報を用いてバッチ内のラベル距離を潜在特徴空間内の距離に合わせることで、より良い潜在表現を学習します。第二に、近隣クリップの特徴を使用して各クリップの目標を推定する2段階アテンションアーキテクチャを利用します。これにより時間的な文脈が考慮されます。本手法は連続感情推定と統合失調症重症度推定という2つの問題に対して評価されました。これら2つの問題には方法論的および文脈的な類似点があるためです。実験結果は、提案手法がすべてのベースラインを超えることを示しています。統合失調症領域においては、提案手法が以前の最先端技術よりも大幅に優れており（最大40%の向上）、人間専門家のパフォーマンス（85%）に近いPCC（最大78%）を達成しています。感情認識の場合には、OMGデータセットとAMIGOSデータセットにおいて以前のビジョンベース手法よりもCCCで優れたパフォーマンスを発揮しています。特にAMIGOSデータセットでは、覚醒度と価値感に対する以前の最先端CCCをそれぞれ9%と13%上回り、OMGデータセットでは覚醒度と価値感に対して最大5%上回っています。以上のように翻訳しました。ご確認ください。