論文の概要: Domain-Invariant Representation Learning from EEG with Private Encoders

• arxiv url: http://arxiv.org/abs/2201.11613v1
• Date: Thu, 27 Jan 2022 16:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-01-28 15:38:17.116203
• Title: Domain-Invariant Representation Learning from EEG with Private Encoders
• Title（参考訳）: プライベートエンコーダを用いた脳波からのドメイン不変表現学習
• Authors: David Bethge, Philipp Hallgarten, Tobias Grosse-Puppendahl, Mohamed Kari, Ralf Mikut, Albrecht Schmidt, Ozan \"Ozdenizci
• Abstract要約: データセット固有のプライベートエンコーダからドメイン不変表現を抽出するマルチソース学習アーキテクチャを提案する。 脳波に基づく感情分類において、我々のモデルは最先端のアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 19.704138140955745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based electroencephalography (EEG) signal processing methods are known to suffer from poor test-time generalization due to the changes in data distribution. This becomes a more challenging problem when privacy-preserving representation learning is of interest such as in clinical settings. To that end, we propose a multi-source learning architecture where we extract domain-invariant representations from dataset-specific private encoders. Our model utilizes a maximum-mean-discrepancy (MMD) based domain alignment approach to impose domain-invariance for encoded representations, which outperforms state-of-the-art approaches in EEG-based emotion classification. Furthermore, representations learned in our pipeline preserve domain privacy as dataset-specific private encoding alleviates the need for conventional, centralized EEG-based deep neural network training approaches with shared parameters.
• Abstract（参考訳）: eeg(deep learning based electroencephalography)信号処理手法は、データ分布の変化により、テスト時間の一般化に苦しむことが知られている。 これは、プライバシ保存型表現学習が臨床設定などに興味を持つ場合に、さらに難しい問題になる。 そこで我々は,データセット固有のプライベートエンコーダからドメイン不変表現を抽出するマルチソース学習アーキテクチャを提案する。 本モデルでは,最大平均差分法(MMD)に基づくドメインアライメント手法を用いて,脳波に基づく感情分類における最先端のアプローチよりも優れた領域不変性を符号化表現に適用する。 さらに、私たちのパイプラインで学んだ表現は、データセット固有のプライベートエンコーディングとしてドメインプライバシを保持します。

関連論文リスト

• Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation [0.5755004576310334]
  本稿では,領域間における脳波に基づく感情分類のための新しいSF-UDA手法を提案する。 本稿では,Dual-Loss Adaptive Regularization (DLAR)を導入し,予測誤差を最小化し,予測を疑似ラベルと整合させる。 我々の手法は最先端の手法よりも優れており、DEAでトレーニングし、SEEDでテストすると65.84%の精度が達成される。
  論文  参考訳（メタデータ） (2025-03-26T14:29:20Z)
• Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
  我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。 提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
  論文  参考訳（メタデータ） (2024-01-02T00:31:41Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Single-source Domain Expansion Network for Cross-Scene Hyperspectral Image Classification [23.301189142107617]
  広帯域高スペクトル画像(HSI)分類は注目されている。 ソースドメイン(SD)のみにモデルをトレーニングし、ターゲットドメイン(TD)に直接モデルを転送する必要がある。 ドメインの一般化の考え方に基づき、SDEnet(Single-source Domain Expansion Network)が開発され、ドメイン拡張の信頼性と有効性を保証する。
  論文  参考訳（メタデータ） (2022-09-04T14:54:34Z)
• 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)
• Prototype-based Domain Generalization Framework for Subject-Independent Brain-Computer Interfaces [17.60434807901964]
  脳-コンピュータインターフェース(BCI)は脳波の経時的変動により実際に使用することが困難である 本稿では,ソースデータセットから主題固有のスタイル特徴を学習する補助タスクとして,オープンセット認識技術を用いたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-15T07:35:46Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Self-Rule to Adapt: Generalized Multi-source Feature Learning Using Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection [9.074125289002911]
  教師付き学習はラベル付きデータの可用性によって制限される。 本稿では、自己教師付き学習を利用してドメイン適応を行うSRAを提案する。
  論文  参考訳（メタデータ） (2021-08-20T13:52:33Z)
• NeuralDP Differentially private neural networks by design [61.675604648670095]
  ニューラルネットワーク内のいくつかの層の活性化を民営化する手法であるNeuralDPを提案する。 本研究では,DP-SGDと比較して,プライバシーとユーティリティのトレードオフを大幅に改善した2つのデータセットを実験的に検証した。
  論文  参考訳（メタデータ） (2021-07-30T12:40:19Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。