論文の概要: Feature matching as improved transfer learning technique for wearable
EEG
- arxiv url: http://arxiv.org/abs/2201.00644v1
- Date: Wed, 29 Dec 2021 12:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 13:33:43.458640
- Title: Feature matching as improved transfer learning technique for wearable
EEG
- Title（参考訳）: ウェアラブル脳波の伝達学習技術の改良としての特徴マッチング
- Authors: Elisabeth R. M. Heremans, Huy Phan, Amir H. Ansari, Pascal Borz\'ee,
Bertien Buyse, Dries Testelmans, Maarten De Vos
- Abstract要約: 本稿では,一般的なファインタニング手法の代替として,新しいトランスファー学習戦略を提案する。
この方法は、ソースモダリティから大量のデータと、ソースモダリティとターゲットモダリティのペアの少ないサンプルをトレーニングする。
特徴マッチングと3つの異なるターゲットドメインの微調整,2つの異なるニューラルネットワークアーキテクチャ,さまざまなトレーニングデータとの比較を行った。
- 参考スコア（独自算出の注目度）: 9.508350808051908
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: With the rapid rise of wearable sleep monitoring devices with
non-conventional electrode configurations, there is a need for automated
algorithms that can perform sleep staging on configurations with small amounts
of labeled data. Transfer learning has the ability to adapt neural network
weights from a source modality (e.g. standard electrode configuration) to a new
target modality (e.g. non-conventional electrode configuration). Methods: We
propose feature matching, a new transfer learning strategy as an alternative to
the commonly used finetuning approach. This method consists of training a model
with larger amounts of data from the source modality and few paired samples of
source and target modality. For those paired samples, the model extracts
features of the target modality, matching these to the features from the
corresponding samples of the source modality. Results: We compare feature
matching to finetuning for three different target domains, with two different
neural network architectures, and with varying amounts of training data.
Particularly on small cohorts (i.e. 2 - 5 labeled recordings in the
non-conventional recording setting), feature matching systematically
outperforms finetuning with mean relative differences in accuracy ranging from
0.4% to 4.7% for the different scenarios and datasets. Conclusion: Our findings
suggest that feature matching outperforms finetuning as a transfer learning
approach, especially in very low data regimes. Significance: As such, we
conclude that feature matching is a promising new method for wearable sleep
staging with novel devices.
- Abstract（参考訳）: 目的:非従来型電極構成のウェアラブル睡眠監視デバイスが急速に普及する中、少量のラベル付きデータを使用して、構成で睡眠ステージングを行う自動化アルゴリズムが必要となる。
転送学習は、ソースモダリティ(例えば、標準電極配置)から新しいターゲットモダリティ(例えば、非コンベンション電極配置)にニューラルネットワークの重みを適応する能力を持つ。
方法: 一般的なファインタニング手法に代わる新しい伝達学習戦略である特徴マッチングを提案する。
この方法は、ソースモダリティからの大量のデータと、ソースモダリティとターゲットモダリティのペアサンプルの少ないモデルでトレーニングする。
これらのペア化されたサンプルに対して、モデルは対象のモダリティの特徴を抽出し、ソースのモダリティの対応するサンプルから特徴とマッチングする。
結果: 特徴マッチングと3つの異なるターゲットドメイン,2つの異なるニューラルネットワークアーキテクチャ,およびさまざまなトレーニングデータとの微調整を比較した。
特に、小さなコホート(例:2 - 5のラベル付き録音)では、異なるシナリオやデータセットの精度の0.4%から4.7%の相対的な差で、系統的に特徴マッチングが優れている。
結論: 特徴マッチングは, 非常に低いデータ構造において, 伝達学習アプローチとして微調整に優れることが示唆された。
意義:本研究は,新しいデバイスを用いたウェアラブル睡眠ステージングにおいて,機能マッチングが有望な新しい手法であると結論づける。
関連論文リスト
- Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks [6.404789669795639]
睡眠医学において、被験者の睡眠の進化を評価するには、脳波(EEG)信号の高価な手作業によるスコアが伴うことが多い。
本研究では,Symmetric Definite Positive (SPD) の性質を犠牲にすることなく,学習した信号的特徴をそれらの行列に組み込む新しい方法を提案する。
論文 参考訳（メタデータ） (2024-10-18T06:49:52Z) - On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。
2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
論文 参考訳（メタデータ） (2024-07-15T13:06:00Z) - DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-03-14T02:11:38Z) - SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced
Classification of Sleep Stages [4.649202082648198]
本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。
提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
論文 参考訳（メタデータ） (2023-07-04T01:56:00Z) - Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。
ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
論文 参考訳（メタデータ） (2023-06-16T21:53:16Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Functional Neural Networks: Shift invariant models for functional data
with applications to EEG classification [0.0]
我々は、データのスムーズさを保ちながら不変な新しいタイプのニューラルネットワークを導入する:関数型ニューラルネットワーク(FNN)
そこで我々は,多層パーセプトロンと畳み込みニューラルネットワークを機能データに拡張するために,機能データ分析(FDA)の手法を用いる。
脳波(EEG)データの分類にFNNをうまく利用し,FDAのベンチマークモデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-01-14T09:41:21Z) - ScoreMix: A Scalable Augmentation Strategy for Training GANs with
Limited Data [93.06336507035486]
GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。
ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
論文 参考訳（メタデータ） (2022-10-27T02:55:15Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z)
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。