論文の概要: Deep Optimal Transport on SPD Manifolds for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2201.05745v1
• Date: Sat, 15 Jan 2022 03:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 14:18:51.632965
• Title: Deep Optimal Transport on SPD Manifolds for Domain Adaptation
• Title（参考訳）: ドメイン適応のためのSPDマニフォールドの深部輸送
• Authors: Ce Ju and Cuntai Guan
• Abstract要約: 本稿では,結合分布適応(JDA)を一般化し,SPD多様体上のソース領域とターゲット領域を整列させる。 また、一般化されたJDAと既存のディープネットワークアーキテクチャを使用したディープネットワークアーキテクチャ、Deep Optimal Transport (DOT)を提案する。 実験では、DOTは2つの非常に非定常なクロスセッションシナリオにおいて平均精度に対して2.32%と2.92%の増加を示す。
• 参考スコア（独自算出の注目度）: 14.95694356964053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The domain adaption (DA) problem on symmetric positive definite (SPD) manifolds has raised interest in the machine learning community because of the growing potential for the SPD-matrix representations across many non-stationary applicable scenarios. This paper generalizes the joint distribution adaption (JDA) to align the source and target domains on SPD manifolds and proposes a deep network architecture, Deep Optimal Transport (DOT), using the generalized JDA and the existing deep network architectures on SPD manifolds. The specific architecture in DOT enables it to learn an approximate optimal transport (OT) solution to the DA problems on SPD manifolds. In the experiments, DOT exhibits a 2.32% and 2.92% increase on the average accuracy in two highly non-stationary cross-session scenarios in brain-computer interfaces (BCIs), respectively. The visualizational results of the source and target domains before and after the transformation also demonstrate the validity of DOT.
• Abstract（参考訳）: 対称正定値(SPD)多様体上のドメイン適応(DA)問題は、多くの非定常的シナリオにおけるSPD行列表現の可能性の増大により、機械学習コミュニティへの関心が高まっている。 本稿では,SPD多様体上のソースドメインとターゲットドメインを整合させるJDAを一般化し,一般化されたJDAと既存のSPD多様体上のディープネットワークアーキテクチャを用いて,ディープネットワークアーキテクチャ,Deep Optimal Transport(DOT)を提案する。 DOTの特定のアーキテクチャにより、SPD多様体上のDA問題に対する近似最適輸送(OT)解を学習することができる。 実験では、DOTは脳-コンピュータインタフェース(BCI)における2つの高い非定常的クロスセッションシナリオにおいて平均精度に対して2.32%と2.92%の増加を示した。 変換前後のソースドメインとターゲットドメインの可視化結果もまた、DOTの有効性を示している。

関連論文リスト

• You are out of context! [0.0]
  新しいデータは、モデルによって学習された幾何学的関係を伸ばしたり、圧縮したり、ねじったりする力として振る舞うことができる。 本稿では,ベクトル空間表現における「変形」の概念に基づく機械学習モデルのための新しいドリフト検出手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T10:17:43Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• mSPD-NN: A Geometrically Aware Neural Framework for Biomarker Discovery from Functional Connectomics Manifolds [8.37609145576126]
  本稿では,コネクトーム,すなわちmSPD-NNのための幾何学的認識型ニューラルネットワークフレームワークを提案する。 我々は,SPD平均推定のための一般的な選択肢に対するmSPD-NNの有効性を実証した。 ADHD-ASD併用性および健常者におけるネットワークの微妙な差異に関連する安定なバイオマーカーを明らかにする。
  論文  参考訳（メタデータ） (2023-03-27T08:30:11Z)
• SPD domain-specific batch normalization to crack interpretable unsupervised domain adaptation in EEG [25.642435946325925]
  現在のEEG技術は、高価な教師付き再校正なしでは、ドメイン間でうまく一般化しない。 SPDドメイン固有の運動量バッチ正規化(SPDDSMBN)を示す幾何学的深層学習のための新しいビルディングブロックを提案する。 SPDDSMBNレイヤはドメイン固有のSPD入力をドメイン不変のSPD出力に変換することができ、マルチソース/ターゲットおよびオンラインUDAシナリオに容易に適用できる。
  論文  参考訳（メタデータ） (2022-06-02T22:31:36Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。