論文の概要: Holistic Semi-Supervised Approaches for EEG Representation Learning
- arxiv url: http://arxiv.org/abs/2109.11732v1
- Date: Fri, 24 Sep 2021 03:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:22:30.724701
- Title: Holistic Semi-Supervised Approaches for EEG Representation Learning
- Title（参考訳）: 脳波表現学習のためのホロスティック半監督的アプローチ
- Authors: Guangyi Zhang and Ali Etemad
- Abstract要約: 我々は、MixMatch、FixMatch、AdaMatchの3つの全体論的半教師付きアプローチと、脳波学習のための古典的半教師付き手法を適用した。
ラベル付きサンプルの量が異なる実験では、クラスごとにラベル付きサンプルが1つしか使われていない場合でも、全体論的アプローチが強い結果が得られることが示されている。
- 参考スコア（独自算出の注目度）: 14.67085109524245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, supervised methods, which often require substantial amounts of
class labels, have achieved promising results for EEG representation learning.
However, labeling EEG data is a challenging task. More recently, holistic
semi-supervised learning approaches, which only require few output labels, have
shown promising results in the field of computer vision. These methods,
however, have not yet been adapted for EEG learning. In this paper, we adapt
three state-of-the-art holistic semi-supervised approaches, namely MixMatch,
FixMatch, and AdaMatch, as well as five classical semi-supervised methods for
EEG learning. We perform rigorous experiments with all 8 methods on two public
EEG-based emotion recognition datasets, namely SEED and SEED-IV. The
experiments with different amounts of limited labeled samples show that the
holistic approaches achieve strong results even when only 1 labeled sample is
used per class. Further experiments show that in most cases, AdaMatch is the
most effective method, followed by MixMatch and FixMatch.
- Abstract（参考訳）: 近年,大量のクラスラベルを必要とする教師付き手法が,脳波表現学習において有望な成果を上げている。
しかし、EEGデータのラベル付けは難しい作業である。
最近では、出力ラベルの少ない総合的な半教師付き学習アプローチが、コンピュータビジョンの分野で有望な結果を示している。
しかし、これらの手法はまだ脳波学習に適応していない。
本稿では,MixMatch,FixMatch,AdaMatchの3つの最先端の半教師付きアプローチと,脳波学習のための古典的半教師付き手法を適用する。
我々は,脳波に基づく感情認識データセットであるseedとseed-ivについて,全8手法で厳密な実験を行った。
ラベル付きサンプルを多量に限定した実験により, クラス毎にラベル付きサンプルが1つしか使われていない場合でも, 全体論的アプローチが強い結果が得られることを示した。
さらなる実験によると、ほとんどの場合、AdaMatchが最も効果的な方法であり、MixMatchとFixMatchが続く。
関連論文リスト
- LC-Protonets: Multi-label Few-shot learning for world music audio tagging [65.72891334156706]
ラベル結合型プロトタイプネットワーク(LC-Protonets)を導入し,複数ラベルの複数ショット分類の問題に対処する。
LC-Protonetsは、限られたトレーニング項目に存在するラベルのパワーセットから、ラベルの組み合わせごとに1つのプロトタイプを生成する。
本手法は,様々な文化をカバーし,現代音楽と伝統音楽の両方を含む,多様な音楽データセットにまたがる自動音声タグ付けに適用する。
論文 参考訳（メタデータ） (2024-09-17T15:13:07Z) - A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification [61.473485511491795]
半教師付き学習(SSL)はコンピュータビジョンにおける実践的な課題である。
Pseudo-label (PL) メソッド、例えば FixMatch や FreeMatch は SSL で State of The Art (SOTA) のパフォーマンスを取得する。
本稿では,複数の下位PLを理論的に保証された非偏りと低分散のPLに集約する,軽量なチャネルベースアンサンブル法を提案する。
論文 参考訳（メタデータ） (2024-03-27T09:49:37Z) - JointMatch: A Unified Approach for Diverse and Collaborative
Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。
擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。
我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:43:35Z) - Exploring the Boundaries of Semi-Supervised Facial Expression Recognition using In-Distribution, Out-of-Distribution, and Unconstrained Data [23.4909421082857]
表情認識(FER)における最新の半教師あり手法11について検討する。
本研究は,非流通,アウト・オブ・ディストリビューション,制約のない,非常に小さなデータからの半教師付き学習を対象とする。
ラベル付きサンプルの数が等しいため、半教師付き学習は教師付き学習よりも大幅に改善される。
論文 参考訳（メタデータ） (2023-06-02T01:40:08Z) - EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。
2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
論文 参考訳（メタデータ） (2023-03-27T12:02:33Z) - Partial Label Learning for Emotion Recognition from EEG [23.40229188549055]
脳波からの感情認識のための6つの最先端アプローチを適応し、再実装する。
我々は,古典的および実世界の実験において,すべての手法の性能を評価する。
論文 参考訳（メタデータ） (2023-02-25T21:36:39Z) - Analysis of Semi-Supervised Methods for Facial Expression Recognition [19.442685015494316]
画像認識のためのディープニューラルネットワークのトレーニングは、大規模な人間の注釈付きデータを必要とすることが多い。
ラベル付きデータに対するディープ・ニューラル・ソリューションの信頼性を低減するための半教師付き手法が提案されている。
本研究は,クラス毎に250以上のラベル付きサンプルを用いて,既存の半教師付きメソッドをトレーニングする場合,全ラベル付きデータセットでトレーニングした完全教師付きメソッドと同等のパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2022-07-31T23:58:35Z) - PARSE: Pairwise Alignment of Representations in Semi-Supervised EEG
Learning for Emotion Recognition [23.40229188549055]
感情認識のための強い脳波表現を学習するための新しい半教師付きアーキテクチャであるPARSEを提案する。
大量のラベル付きデータと限られたラベル付きデータとの間の潜在的分布ミスマッチを低減するため、PARSEはペア方向のアライメントアライメントを使用する。
論文 参考訳（メタデータ） (2022-02-11T01:10:17Z) - Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。
合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文 参考訳（メタデータ） (2022-02-04T15:46:27Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z)
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。