論文の概要: Model-Agnostic Meta-Learning for EEG Motor Imagery Decoding in Brain-Computer-Interfacing

• arxiv url: http://arxiv.org/abs/2103.08664v1
• Date: Wed, 10 Mar 2021 01:27:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 01:00:16.853958
• Title: Model-Agnostic Meta-Learning for EEG Motor Imagery Decoding in Brain-Computer-Interfacing
• Title（参考訳）: 脳-コンピュータインタフェースにおける脳波モータ画像復号のためのモデル非依存メタラーニング
• Authors: Denghao Li, Pablo Ortega, Xiaoxi Wei and Aldo Faisal
• Abstract要約: Meta-Learningは機械学習システムのトレーニング方法であり、学習することを学ぶ。 ここでは、メタラーニングを単純なDeep Learning BCIアーキテクチャに適用し、同じアーキテクチャ上でのトランスファーラーニングと比較する。 我々の戦略は、BCIデコーダの最適パラメータを見つけ出し、異なるユーザ間で素早く一般化できるようにすることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce here the idea of Meta-Learning for training EEG BCI decoders. Meta-Learning is a way of training machine learning systems so they learn to learn. We apply here meta-learning to a simple Deep Learning BCI architecture and compare it to transfer learning on the same architecture. Our Meta-learning strategy operates by finding optimal parameters for the BCI decoder so that it can quickly generalise between different users and recording sessions -- thereby also generalising to new users or new sessions quickly. We tested our algorithm on the Physionet EEG motor imagery dataset. Our approach increased motor imagery classification accuracy between 60% to 80%, outperforming other algorithms under the little-data condition. We believe that establishing the meta-learning or learning-to-learn approach will help neural engineering and human interfacing with the challenges of quickly setting up decoders of neural signals to make them more suitable for daily-life.
• Abstract（参考訳）: 本稿では,脳波BCIデコーダのトレーニングのためのメタラーニングのアイデアを紹介する。 Meta-Learningは、機械学習システムのトレーニング方法であり、学習を学ぶ。 ここでは、メタラーニングを単純なDeep Learning BCIアーキテクチャに適用し、同じアーキテクチャ上でのトランスファーラーニングと比較する。 私たちのメタラーニング戦略は、bciデコーダの最適なパラメータを見つけ、異なるユーザと記録セッションを素早く一般化できるようにします。 我々のアルゴリズムを physionet eeg motor image dataset でテストした。 提案手法は運動画像の分類精度を60%から80%に向上させ,低データ条件下での他のアルゴリズムよりも優れていた。 私たちは、メタラーニングや学習から学習へのアプローチを確立することで、ニューラルネットワークのデコーダを迅速にセットアップし、それらを日々の生活にもっと適させるという課題に、ニューラルエンジニアリングと人間が直面するのに役立つと信じています。

関連論文リスト

• Learning Universal Predictors [23.18743879588599]
  メタラーニングを限界まで活用することで、最も強力な普遍的予測子であるソロモノフ誘導(SI)をニューラルネットワークに記憶させる可能性を探る。 我々はUniversal Turing Machines (UTM) を用いて、幅広いパターンにネットワークを公開するトレーニングデータを生成する。 この結果から,UTMデータはメタラーニングに有用な資源であり,普遍的な予測戦略を学習可能なニューラルネットワークのトレーニングに有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-01-26T15:37:16Z)
• A Strong and Simple Deep Learning Baseline for BCI MI Decoding [2.0039413639026917]
  EEG-SimpleConvは、BCIにおけるMotor Imageryデコーディングのための1D畳み込みニューラルネットワークである。 我々は4つのEEG Motor Imageryデータセットの性能を評価する。
  論文  参考訳（メタデータ） (2023-09-11T09:23:01Z)
• Neural Routing in Meta Learning [9.070747377130472]
  入力タスクに条件付けされたモデルの部分のみを選択的に使用することにより,現在のメタ学習アルゴリズムのモデル性能を向上させることを目指している。 本稿では、バッチ正規化層におけるスケーリング係数を活用することにより、深層畳み込みニューラルネットワーク(CNN)におけるタスク依存の動的ニューロン選択を研究するアプローチについて述べる。 提案手法であるニューラルルーティング・イン・メタラーニング(NRML)は,数ショットの分類タスクにおいて,既知のメタラーニングベースラインの1つである。
  論文  参考訳（メタデータ） (2022-10-14T16:31:24Z)
• Meta Learning for Knowledge Distillation [12.716258111815312]
  教師ネットワークは、学生ネットワークにより良い知識を伝達することを学ぶことができることを示す。 内部学習者とメタ学習者の整合性を改善するためのパイロット更新機構を導入する。
  論文  参考訳（メタデータ） (2021-06-08T17:59:03Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Interleaving Learning, with Application to Neural Architecture Search [12.317568257671427]
  インターリーブ学習(IL)と呼ばれる新しい機械学習フレームワークを提案する。 私たちのフレームワークでは、一連のモデルが相互に連携してデータエンコーダを学習します。 CIFAR-10, CIFAR-100, ImageNetの画像分類にインターリービング学習を適用した。
  論文  参考訳（メタデータ） (2021-03-12T00:54:22Z)
• MELD: Meta-Reinforcement Learning from Images via Latent State Models [109.1664295663325]
  我々は,遅延状態モデルで推論を行う画像からメタRLのアルゴリズムを開発し,新しいスキルを素早く獲得する。 MELDは、画像から現実のロボット制御設定でトレーニングされた最初のメタRLアルゴリズムである。
  論文  参考訳（メタデータ） (2020-10-26T23:50:30Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• Meta-Gradient Reinforcement Learning with an Objective Discovered Online [54.15180335046361]
  本稿では,深層ニューラルネットワークによって柔軟にパラメータ化される,自己目的のメタ段階的降下に基づくアルゴリズムを提案する。 目的はオンラインで発見されるため、時間とともに変化に適応することができる。 Atari Learning Environmentでは、メタグラディエントアルゴリズムが時間とともに適応して、より効率よく学習する。
  論文  参考訳（メタデータ） (2020-07-16T16:17:09Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Unraveling Meta-Learning: Understanding Feature Representations for Few-Shot Tasks [55.66438591090072]
  メタラーニングの基礎となる力学と、メタラーニングを用いて訓練されたモデルと古典的に訓練されたモデルの違いをよりよく理解する。 数ショット分類のための標準訓練ルーチンの性能を高める正則化器を開発した。
  論文  参考訳（メタデータ） (2020-02-17T03:18:45Z)

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。