論文の概要: Correct block-design experiments mitigate temporal correlation bias in EEG classification

• arxiv url: http://arxiv.org/abs/2012.03849v1
• Date: Wed, 25 Nov 2020 22:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:39:55.357278
• Title: Correct block-design experiments mitigate temporal correlation bias in EEG classification
• Title（参考訳）: 脳波分類における時間的相関バイアスを軽減する正しいブロック設計実験
• Authors: Simone Palazzo, Concetto Spampinato, Joseph Schmidt, Isaak Kavasidis, Daniela Giordano, Mubarak Shah
• Abstract要約: [1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。 脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 68.85562949901077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is argued in [1] that [2] was able to classify EEG responses to visual stimuli solely because of the temporal correlation that exists in all EEG data and the use of a block design. We here show that the main claim in [1] is drastically overstated and their other analyses are seriously flawed by wrong methodological choices. To validate our counter-claims, we evaluate the performance of state-of-the-art methods on the dataset in [2] reaching about 50% classification accuracy over 40 classes, lower than in [2], but still significant. We then investigate the influence of EEG temporal correlation on classification accuracy by testing the same models in two additional experimental settings: one that replicates [1]'s rapid-design experiment, and another one that examines the data between blocks while subjects are shown a blank screen. In both cases, classification accuracy is at or near chance, in contrast to what [1] reports, indicating a negligible contribution of temporal correlation to classification accuracy. We, instead, are able to replicate the results in [1] only when intentionally contaminating our data by inducing a temporal correlation. This suggests that what Li et al. [1] demonstrate is that their data are strongly contaminated by temporal correlation and low signal-to-noise ratio. We argue that the reason why Li et al. [1] observe such high correlation in EEG data is their unconventional experimental design and settings that violate the basic cognitive neuroscience design recommendations, first and foremost the one of limiting the experiments' duration, as instead done in [2]. Our analyses in this paper refute the claims of the "perils and pitfalls of block-design" in [1]. Finally, we conclude the paper by examining a number of other oversimplistic statements, inconsistencies, misinterpretation of machine learning concepts, speculations and misleading claims in [1].
• Abstract（参考訳）: [1]では、[2]はすべての脳波データに存在する時間的相関とブロック設計の使用のためのみ視覚刺激に対する脳波応答を分類することができたと論じられている。 ここで、[1]の主な主張は大幅に過大に述べられ、他の分析は間違った方法論選択によって深刻な欠陥があることを示している。 逆の主張を検証するために,データ集合 [2] における最先端手法の性能を [2] よりも低いが,40 クラスで約50% の分類精度に達するまで評価した。 次に,脳波の時間的相関が分類精度に与える影響を,[1]の急激な設計実験を再現する実験と,被験者が空白画面を表示している間にブロック間のデータを調べる実験の2つの実験条件で検討する。 どちらの場合でも、分類精度は[1]報告とは対照的に偶然であり、時間的相関が分類精度に不可分に寄与していることを示している。 代わりに、時間的相関を誘導することによって故意にデータを汚染する場合のみ、結果を[1]で再現することができる。 これは、Li らによってもたらされる。 [1] は、それらのデータが時間的相関と低信号-雑音比によって強く汚染されていることを示す。 我々は、Li らが al である理由を論じる。 [1] 脳波データにおけるそのような高い相関は、その非慣習的な実験設計と、基本的な認知神経科学設計の推奨に違反する設定であり、第一に、そして第一に、実験の継続時間を制限するものである。 本稿では,ブロック設計の問題点と落とし穴」の主張を[1]で論じる。 最後に,機械学習の概念の誤解,憶測,誤解を招く主張など,多くの過度に単純化された言明,矛盾,誤解を考察して,論文を締めくくる。

関連論文リスト

• Debiasing Counterfactuals In the Presence of Spurious Correlations [0.98342301244574]
  我々は、(i)人気のデバイアス分類器と(ii)対実画像生成の両方を統合した、最初のエンドツーエンドトレーニングフレームワークを紹介する。 以上の結果から, 人口全体にわたる一般化可能なマーカーを学習し, (ii) 急激な相関を無視し, 根底にある疾患の病理に焦点をあてる脱バイアス法が実証された。
  論文  参考訳（メタデータ） (2023-08-21T19:01:45Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• From Temporal to Contemporaneous Iterative Causal Discovery in the Presence of Latent Confounders [6.365889364810238]
  本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。 我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。 提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
  論文  参考訳（メタデータ） (2023-06-01T12:46:06Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• 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)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• A Critical Look At The Identifiability of Causal Effects with Deep Latent Variable Models [2.326384409283334]
  ケーススタディとして因果効果変動オートエンコーダ(CEVAE)を用いる。 CEVAEはいくつかの単純なシナリオで確実に機能するように見えるが、不特定な潜在変数や複雑なデータ分布による正しい因果効果は特定できない。 その結果,識別可能性の問題は無視できないことが明らかとなり,今後の作業でさらに注意を払わなければならないと論じた。
  論文  参考訳（メタデータ） (2021-02-12T17:43:18Z)
• Counterfactual Fairness with Disentangled Causal Effect Variational Autoencoder [26.630680698825632]
  本稿では、公平な分類の問題を解決するために、DCEVAE(Disentangled Causal Effect Variational Autoencoder)を提案する。 本手法は,完全な因果グラフを使わずに,全効果と対実効果を推定する。
  論文  参考訳（メタデータ） (2020-11-24T03:43:59Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。