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

• arxiv url: http://arxiv.org/abs/2201.05745v4
• Date: Mon, 3 Jun 2024 08:51:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 00:04:47.832292
• 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, Cuntai Guan,
• Abstract要約: ニューロイメージングデータは、対称性と正の定性という数学的性質を持っている。 従来の領域適応法の適用は、これらの数学的性質が破壊される可能性があるため、困難である。 本稿では,境界分布と条件分布の差分を管理するための幾何学的深層学習に基づく新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 9.552869120136005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The machine learning community has shown increasing interest in addressing the domain adaptation problem on symmetric positive definite (SPD) manifolds. This interest is primarily driven by the complexities of neuroimaging data generated from brain signals, which often exhibit shifts in data distribution across recording sessions. These neuroimaging data, represented by signal covariance matrices, possess the mathematical properties of symmetry and positive definiteness. However, applying conventional domain adaptation methods is challenging because these mathematical properties can be disrupted when operating on covariance matrices. In this study, we introduce a novel geometric deep learning-based approach utilizing optimal transport on SPD manifolds to manage discrepancies in both marginal and conditional distributions between the source and target domains. We evaluate the effectiveness of this approach in three cross-session brain-computer interface scenarios and provide visualized results for further insights. The GitHub repository of this study can be accessed at https://github.com/GeometricBCI/Deep-Optimal-Transport-for-Domain-Adaptation-on-SPD-Manifolds.
• Abstract（参考訳）: 機械学習コミュニティは、対称正定値多様体(SPD)上の領域適応問題への関心が高まっている。 この関心は主に、脳信号から生成された神経画像データの複雑さによって引き起こされる。 これらのニューロイメージングデータは信号共分散行列で表され、対称性と正の定値性の数学的性質を持つ。 しかし、これらの数学的性質は共分散行列を操作する際に破壊されるため、従来の領域適応法の適用は困難である。 本研究では,SPD多様体上の最適輸送を利用した幾何学的深層学習手法を提案する。 提案手法の有効性を3つのクロスセッション脳コンピュータインタフェースシナリオで評価し,さらなる知見を得るための可視化結果を提供する。 この研究のGitHubリポジトリはhttps://github.com/GeometricBCI/Deep-Optimal-Transport-for-Domain-Adaptation-on-SPD-Manifoldsでアクセスできる。

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。