論文の概要: Deep Optimal Transport for Domain Adaptation on SPD Manifolds
- arxiv url: http://arxiv.org/abs/2201.05745v3
- Date: Fri, 7 Jul 2023 08:14:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-10 16:23:43.786408
- Title: Deep Optimal Transport for Domain Adaptation on SPD Manifolds
- Title(参考訳): SPD多様体上の領域適応のための深部輸送
- Authors: Ce Ju and Cuntai Guan
- Abstract要約: 本稿では,Deep optimal transportと呼ばれる,ディープラーニングに基づくトランスファー学習手法のカテゴリを紹介する。
この圏は最適輸送理論を利用し、SPD多様体の対数ユークリッド幾何学を利用する。
本稿では,これらの問題に効果的に取り組むために,既存の幾何学的手法を包括的に分類する。
- 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: In recent years, there has been significant interest in solving the domain
adaptation (DA) problem on symmetric positive definite (SPD) manifolds within
the machine learning community. This interest stems from the fact that complex
neurophysiological data generated by medical equipment, such as
electroencephalograms, magnetoencephalograms, and diffusion tensor imaging,
often exhibit a shift in data distribution across different domains. These data
representations, represented by signal covariance matrices, possess properties
of symmetry and positive definiteness. However, directly applying previous
experiences and solutions to the DA problem poses challenges due to the
manipulation complexities of covariance matrices.To address this, our research
introduces a category of deep learning-based transfer learning approaches
called deep optimal transport. This category utilizes optimal transport theory
and leverages the Log-Euclidean geometry for SPD manifolds. Additionally, we
present a comprehensive categorization of existing geometric methods to tackle
these problems effectively. This categorization provides practical solutions
for specific DA problems, including handling discrepancies in marginal and
conditional distributions between the source and target domains on the SPD
manifold. To evaluate the effectiveness, we conduct experiments on three
publicly available highly non-stationary cross-session brain-computer interface
scenarios. Moreover, we provide visualization results on the SPD cone to offer
further insights into the framework.
- Abstract(参考訳): 近年、機械学習コミュニティにおいて、対称正定値多様体(SPD)におけるドメイン適応(DA)問題の解決に大きな関心が寄せられている。
この関心は、脳波、脳磁図、拡散テンソルイメージングなどの医療機器によって生成される複雑な神経生理学的データが、しばしば異なる領域にまたがるデータ分布の変化を示すという事実に由来する。
これらのデータ表現は信号共分散行列で表され、対称性と正の定性の性質を持っている。
しかし,従来の経験と解をDA問題に直接適用することは,共分散行列の操作の複雑さによって困難を招き,この問題に対処するために,深層最適輸送と呼ばれる深層学習に基づく伝達学習アプローチのカテゴリを導入する。
この圏は最適輸送理論を利用し、SPD多様体の対数ユークリッド幾何学を利用する。
さらに,既存の幾何学的手法の包括的分類を行い,これらの課題を効果的に解決する。
この分類は、SPD多様体上のソース領域とターゲット領域の間の境界分布と条件分布の相違を取り扱うことを含む、特定のDA問題に対する実用的な解を提供する。
有効性を評価するために,公に入手可能な3つの非定常型セッション間脳-コンピュータインタフェースについて実験を行った。
さらに、SPDコーン上で可視化結果を提供し、フレームワークに関するさらなる洞察を提供する。
関連論文リスト
- 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) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳(メタデータ) (2023-07-27T08:58:05Z) - 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) - Fusion of Physiological and Behavioural Signals on SPD Manifolds with
Application to Stress and Pain Detection [1.9844265130823329]
マルチモーダルストレス/ペイン認識アプローチは、一般的に異なるモーダルから特徴を独立して抽出する。
本稿では,Symmetric Positive Definite (SPD) 行列を用いたマルチモーダル応力/塗料検出のための新しい幾何学的枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-17T16:54:24Z) - 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) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - A coarse space acceleration of deep-DDM [0.0]
我々は最近提案されたPDEの解法に対するディープ・ダム・アプローチの拡張について述べる。
粗い空間補正は、解法の収束の劣化を軽減することができることを示す。
実験により,本手法は深部ddm法の顕著な加速を誘導することが示された。
論文 参考訳(メタデータ) (2021-12-07T14:41:28Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳(メタデータ) (2020-08-27T00:53:43Z) - Few-shot Domain Adaptation by Causal Mechanism Transfer [107.08605582020866]
我々は,少数のラベル付き対象ドメインデータと多数のラベル付きソースドメインデータしか利用できないレグレッション問題に対して,数ショットの教師付きドメイン適応(DA)について検討する。
現在のDA法の多くは、パラメータ化された分布シフトまたは明らかな分布類似性に基づく転送仮定に基づいている。
本稿では,データ生成機構がドメイン間で不変であるメタ分散シナリオであるメカニズム転送を提案する。
論文 参考訳(メタデータ) (2020-02-10T02:16:53Z)
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。