論文の概要: Object classification from randomized EEG trials
- arxiv url: http://arxiv.org/abs/2004.06046v1
- Date: Thu, 9 Apr 2020 22:06:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 02:26:26.448637
- Title: Object classification from randomized EEG trials
- Title（参考訳）: ランダム化脳波試験からの物体分類
- Authors: Hamad Ahmed, Ronnie B Wilbur, Hari M Bharadwaj, and Jeffrey Mark
Siskind
- Abstract要約: 新しい結果は、画像刺激によって誘発される人間の脳活動の分類の可能性に強い限界があることを示唆している。
私たちの知る限り、これは単一の主題から得られる脳波データ収集における最大の取り組みであり、実現可能性の限界にあります。
- 参考スコア（独自算出の注目度）: 9.745889092027557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New results suggest strong limits to the feasibility of classifying human
brain activity evoked from image stimuli, as measured through EEG. Considerable
prior work suffers from a confound between the stimulus class and the time
since the start of the experiment. A prior attempt to avoid this confound using
randomized trials was unable to achieve results above chance in a statistically
significant fashion when the data sets were of the same size as the original
experiments. Here, we again attempt to replicate these experiments with
randomized trials on a far larger (20x) dataset of 1,000 stimulus presentations
of each of forty classes, all from a single subject. To our knowledge, this is
the largest such EEG data collection effort from a single subject and is at the
bounds of feasibility. We obtain classification accuracy that is marginally
above chance and above chance in a statistically significant fashion, and
further assess how accuracy depends on the classifier used, the amount of
training data used, and the number of classes. Reaching the limits of data
collection without substantial improvement in classification accuracy suggests
limits to the feasibility of this enterprise.
- Abstract（参考訳）: 画像刺激から誘発されるヒト脳活動の脳波による分類の可能性に強い限界があることが示唆された。
適切な事前作業は、刺激クラスと実験開始以来の時間との相違に悩まされる。
ランダム化試行を用いたこの矛盾を避ける以前の試みは、データセットが元の実験と同じ大きさであった場合、統計的に重要な方法で結果を得ることができなかった。
ここでは、40のクラスの1000の刺激提示からなる、はるかに大きな(20倍)データセット上で、それぞれ1つの主題からランダムに実験を再現しようと試みます。
私たちの知る限り、これは単一の主題から得られる脳波データ収集における最大の取り組みであり、実現可能性の限界にあります。
統計的に有意な方法での確率と確率をわずかに上回る分類精度を得るとともに、使用する分類器、使用するトレーニングデータ、クラス数にどの程度依存しているかをさらに評価する。
分類精度の大幅な向上なしにデータ収集の限界に達することは、この企業の実現可能性の限界を示唆する。
関連論文リスト
- Uncertainty Measurement of Deep Learning System based on the Convex Hull of Training Sets [0.13265175299265505]
本研究では,訓練データの凸殻に基づくトレーニングモデルの不確実性を測定するTo-hull Uncertainity and Closure Ratioを提案する。
学習したデータの凸船体と見えないサンプルとの間の位置関係を観察し、サンプルが凸船体からどのように外挿されているかを推測することができる。
論文 参考訳（メタデータ） (2024-05-25T06:25:24Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳（メタデータ） (2022-03-23T07:33:37Z) - What can the millions of random treatments in nonexperimental data
reveal about causes? [0.0]
この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。
提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
論文 参考訳（メタデータ） (2021-05-03T20:13:34Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Tweet Sentiment Quantification: An Experimental Re-Evaluation [88.60021378715636]
センチメント定量化(Sentiment Quantification)は、教師付き学習によって、感情関連クラスの相対周波数(prevalence')を推定するタスクである。
統合され、より堅牢な実験プロトコルに従って、これらの定量化手法を再評価する。
結果はガオ・ガオ・セバスティアーニ(Gao Gao Sebastiani)によって得られたものとは大きく異なり、異なる感情量化法の相対的な強さと弱さについて、よりしっかりとした理解を提供する。
論文 参考訳（メタデータ） (2020-11-04T21:41:34Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - Causal Inference With Selectively Deconfounded Data [22.624714904663424]
我々は、平均治療効果(ATE)を推定する際に、大規模な統合された観測データセット(共同設立者なし)と小さな非統合された観測データセット(共同設立者明らかに)を組み込むことの利点を検討する。
理論的には, 待ち行列を所望の精度で推定するために必要なデコンストラクタデータの量を大幅に削減できる可能性が示唆された。
論文 参考訳（メタデータ） (2020-02-25T18:46:19Z) - Fine-Tuning Pretrained Language Models: Weight Initializations, Data
Orders, and Early Stopping [62.78338049381917]
教師付き下流タスクのための微調整済み文脈単語埋め込みモデルは、自然言語処理において一般的なものとなっている。
GLUEベンチマークから得られた4つのデータセットを実験し、無作為な種だけを変えながら、それぞれに数百回微調整されたBERTを実験した。
これまでに報告した結果と比較すると,性能が大幅に向上し,微調整試行回数の関数としてベストファウンドモデルの性能がどう変化するかが定量化される。
論文 参考訳（メタデータ） (2020-02-15T02:40:10Z) - Overly Optimistic Prediction Results on Imbalanced Data: a Case Study of
Flaws and Benefits when Applying Over-sampling [13.463035357173045]
データを相互に排他的なトレーニングとテストセットに分割する前にオーバーサンプリングを適用する。
この結果が,2つの人工データセットを用いて偏りを生じさせ,この欠陥が同定された研究結果を再現することを示す。
論文 参考訳（メタデータ） (2020-01-15T12:53:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。