論文の概要: Partial Maximum Correntropy Regression for Robust Trajectory Decoding
from Noisy Epidural Electrocorticographic Signals
- arxiv url: http://arxiv.org/abs/2106.13086v1
- Date: Wed, 23 Jun 2021 05:22:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 12:00:07.671105
- Title: Partial Maximum Correntropy Regression for Robust Trajectory Decoding
from Noisy Epidural Electrocorticographic Signals
- Title（参考訳）: 硬膜外電図信号からのロバスト軌道復号のための部分的最大コレントロピー回帰
- Authors: Yuanhao Li, Badong Chen, Gang Wang, Natsue Yoshimura, Yasuharu Koike
- Abstract要約: Partial Least Square Regression (PLSR)アルゴリズムは、脳-コンピュータインタフェースにおける相関脳記録から連続変数を予測する特別な能力を示す。
本研究の目的は、PLSRの頑健なバージョンであるPartial Maximum Correntropy Regression (PMCR)を提案することである。
従来のPLSRと最先端の変種と比較して、PMCRは、汚染されたトレーニングセットを持つ3つの異なるパフォーマンス指標に対して優れた予測能力を実現した。
- 参考スコア（独自算出の注目度）: 22.202519467049136
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Partial Least Square Regression (PLSR) algorithm exhibits exceptional
competence for predicting continuous variables from inter-correlated brain
recordings in brain-computer interfaces, which achieved successful prediction
from epidural electrocorticography of macaques to three-dimensional continuous
hand trajectories recently. Nevertheless, PLSR is in essence formulated based
on the least square criterion, thus, being non-robust with respect to
complicated noises consequently. The aim of the present study is to propose a
robust version of PLSR. To this end, the maximum correntropy criterion is
adopted to structure a new robust variant of PLSR, namely Partial Maximum
Correntropy Regression (PMCR). Half-quadratic optimization technique is
utilized to calculate the robust latent variables. We assess the proposed PMCR
on a synthetic example and the public Neurotycho dataset. Compared with the
conventional PLSR and the state-of-the-art variant, PMCR realized superior
prediction competence on three different performance indicators with
contaminated training set. The proposed PMCR was demonstrated as an effective
approach for robust decoding from noisy brain measurements, which could reduce
the performance degradation resulting from adverse noises, thus, improving the
decoding robustness of brain-computer interfaces.
- Abstract（参考訳）: PLSR(Partial Least Square Regression)アルゴリズムは、脳-コンピュータインタフェースにおける相関脳記録から連続変数を予測する特別な能力を示し、近年のマカクの硬膜外電図から3次元連続ハンドトラジェクトリへの予測に成功した。
それにもかかわらず、PLSRは本質的に最小二乗基準に基づいて定式化されており、結果として複雑な雑音に関して損なわれない。
本研究の目的は,PLSRの堅牢なバージョンを提案することである。
この目的のために、最大コレントロピー基準は、PLSRの新しい頑健な変種であるPartial Maximum Correntropy Regression (PMCR)を構築するために採用されている。
半量子最適化手法を用いて頑健な潜在変数を計算する。
提案するPMCRを合成例と公開Neurotychoデータセットを用いて評価した。
従来のPLSRと最先端の変種と比較して、PMCRは、汚染されたトレーニングセットを持つ3つの異なるパフォーマンス指標に対して優れた予測能力を実現した。
提案するpmcrは雑音下脳測定からのロバスト復号化に有効な手法として実証され,ノイズによる性能劣化を低減し,脳-コンピュータ界面の復号ロバスト性を向上させることができた。
関連論文リスト
- Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction [2.724485028696543]
マルチコイルデータからクリーンでノイズのないMRI信号を生成するための,教師なし事前処理パイプラインを提案する。
プレコンディショニング技術と組み合わせることで,高品質なデータに対する堅牢なMRI再構成を実現する。
論文 参考訳（メタデータ） (2024-11-04T10:27:57Z) - Statistical Properties of Robust Satisficing [5.0139295307605325]
Robust Satisficing(RS)モデルは、堅牢な最適化に対する新たなアプローチである。
本稿では,RSモデルの理論的特性を包括的に解析する。
実験の結果,RSモデルは小サンプル体制における基礎的経験的リスクを常に上回ることがわかった。
論文 参考訳（メタデータ） (2024-05-30T19:57:28Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳（メタデータ） (2023-07-01T18:35:21Z) - Data-driven Piecewise Affine Decision Rules for Stochastic Programming
with Covariate Information [5.054099828483128]
非部分的決定(PADR)に埋め込まれた経験的リスク(M)手法を提案する。
提案手法は理論的整合性を持つ広範で非クラスな非制約問題に適用可能であることを示す。
論文 参考訳（メタデータ） (2023-04-26T16:08:49Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - Adaptive sparseness for correntropy-based robust regression via
automatic relevance determination [17.933460891374498]
我々は,最大コレントロピー基準(MCC)に基づくロバスト回帰アルゴリズムと自動妥当性判定(ARD)手法をベイズフレームワークに統合する。
我々は、MCCから固有のノイズ仮定を用いて、明示的な可能性関数を導出し、ARD前の最大後部推定(MAP)を実現する。
MCC-ARDはL1正規化MCCよりも優れた予測性能と特徴選択能力を実現している。
論文 参考訳（メタデータ） (2023-01-31T20:23:32Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。
DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。
有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
論文 参考訳（メタデータ） (2021-02-23T18:56:13Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Component-wise Adaptive Trimming For Robust Mixture Regression [15.633993488010292]
既存のロバストな混合回帰法は、外層の存在下で外層推定を行うか、汚染レベルに関する事前の知識に依存するため、外層評価に苦しむ。
本稿では,適応的適応成分法 (Adaptive-wise Adaptive Component, CAT) と呼ばれる高速で効率的な混合回帰アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-23T20:59:16Z)
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。