論文の概要: Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification

• arxiv url: http://arxiv.org/abs/2102.11922v1
• Date: Sun, 21 Feb 2021 18:19:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 14:15:22.235421
• Title: Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification
• Title（参考訳）: タスク識別のための同時脳波と視線追跡データの動的グラフモデリング
• Authors: Puneet Mathur, Trisha Mittal and Dinesh Manocha
• Abstract要約: 我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
• 参考スコア（独自算出の注目度）: 79.41619843969347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new approach, that we call AdaGTCN, for identifying human reader intent from Electroencephalogram~(EEG) and Eye movement~(EM) data in order to help differentiate between normal reading and task-oriented reading. Understanding the physiological aspects of the reading process~(the cognitive load and the reading intent) can help improve the quality of crowd-sourced annotated data. Our method, Adaptive Graph Temporal Convolution Network (AdaGTCN), uses an Adaptive Graph Learning Layer and Deep Neighborhood Graph Convolution Layer for identifying the reading activities using time-locked EEG sequences recorded during word-level eye-movement fixations. Adaptive Graph Learning Layer dynamically learns the spatial correlations between the EEG electrode signals while the Deep Neighborhood Graph Convolution Layer exploits temporal features from a dense graph neighborhood to establish the state of the art in reading task identification over other contemporary approaches. We compare our approach with several baselines to report an improvement of 6.29% on the ZuCo 2.0 dataset, along with extensive ablation experiments
• Abstract（参考訳）: 我々は,脳波～(EEG)と眼球運動～(EM)データからヒトの読取意図を識別し,通常の読取とタスク指向読取を区別するために,AdaGTCNと呼ぶ新しいアプローチを提案する。 読解プロセスの生理的側面(認知的負荷と読解意図)を理解することは,クラウドソースによる注釈付きデータの品質向上に役立つ。 適応グラフ時間畳み込みネットワーク(AdaGTCN)は適応グラフ学習層と深部グラフ畳み込み層を用いて,単語レベルの眼球運動固定中に記録された時間ロックされたEEGシーケンスを用いて読み出し活動を識別する。 Adaptive Graph Learning LayerはEEG電極信号間の空間的相関を動的に学習する一方、Deep Neighborhood Graph Convolution Layerは高密度グラフ近傍の時間的特徴を活用して、他の現代的なアプローチよりもタスク識別を読み取る技術の現状を確立する。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告する。

関連論文リスト

• Graph-Level Embedding for Time-Evolving Graphs [24.194795771873046]
  グラフ表現学習(ネットワーク埋め込みとも呼ばれる)は、様々なレベルの粒度で広く研究されている。 本稿では,このギャップに対処する時間グラフレベルの埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T01:50:37Z)
• Directed Acyclic Graph Structure Learning from Dynamic Graphs [44.21230819336437]
  特徴(変数)の有向非巡回グラフ(DAG)の構造を推定することは、潜在データ生成プロセスを明らかにする上で重要な役割を果たす。 このようなユビキタスな動的グラフデータに基づくノード特徴生成機構の学習問題について検討する。
  論文  参考訳（メタデータ） (2022-11-30T14:22:01Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• GPS: A Policy-driven Sampling Approach for Graph Representation Learning [12.760239169374984]
  適応的グラフポリシー駆動サンプリングモデル (GPS) を提案し, 適応的相関計算により各ノードの影響を局所的に評価する。 提案モデルでは,いくつかの重要なベンチマークにおいて既存モデルよりも3%-8%向上し,実世界のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-12-29T09:59:53Z)
• Dynamic Graph Representation Learning via Graph Transformer Networks [41.570839291138114]
  動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。 DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。 DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-19T21:44:23Z)
• Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention [33.049423523704824]
  本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。 HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-27T23:06:50Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
  研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。 CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。 我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
  論文  参考訳（メタデータ） (2021-03-01T12:35:16Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。