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

• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Demystifying amortized causal discovery with transformers [21.058343547918053]
  観測データからの因果発見のための教師付き学習アプローチは、しばしば競争性能を達成する。 本研究では,CSIvAについて検討する。CSIvAは,合成データのトレーニングと実データへの転送を約束するトランスフォーマーモデルである。 既存の識別可能性理論とギャップを埋め、トレーニングデータ分布の制約がテスト観測の事前を暗黙的に定義していることを示します。
  論文  参考訳（メタデータ） (2024-05-27T08:17:49Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Identification of Single-Treatment Effects in Factorial Experiments [0.0]
  実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。 観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。 この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
  論文  参考訳（メタデータ） (2024-05-16T04:01:53Z)
• 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)
• 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)
• 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。