論文の概要: PARSE: Pairwise Alignment of Representations in Semi-Supervised EEG
Learning for Emotion Recognition
- arxiv url: http://arxiv.org/abs/2202.05400v1
- Date: Fri, 11 Feb 2022 01:10:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-14 15:13:09.680865
- Title: PARSE: Pairwise Alignment of Representations in Semi-Supervised EEG
Learning for Emotion Recognition
- Title（参考訳）: PARSE:感情認識のための半教師付き脳波学習における表現のペアワイズアライメント
- Authors: Guangyi Zhang and Ali Etemad
- Abstract要約: 感情認識のための強い脳波表現を学習するための新しい半教師付きアーキテクチャであるPARSEを提案する。
大量のラベル付きデータと限られたラベル付きデータとの間の潜在的分布ミスマッチを低減するため、PARSEはペア方向のアライメントアライメントを使用する。
- 参考スコア（独自算出の注目度）: 23.40229188549055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose PARSE, a novel semi-supervised architecture for learning strong
EEG representations for emotion recognition. To reduce the potential
distribution mismatch between the large amounts of unlabeled data and the
limited amount of labeled data, PARSE uses pairwise representation alignment.
First, our model performs data augmentation followed by label guessing for
large amounts of original and augmented unlabeled data. This is then followed
by sharpening of the guessed labels and convex combinations of the unlabeled
and labeled data. Finally, representation alignment and emotion classification
are performed. To rigorously test our model, we compare PARSE to several
state-of-the-art semi-supervised approaches which we implement and adapt for
EEG learning. We perform these experiments on four public EEG-based emotion
recognition datasets, SEED, SEED-IV, SEED-V and AMIGOS (valence and arousal).
The experiments show that our proposed framework achieves the overall best
results with varying amounts of limited labeled samples in SEED, SEED-IV and
AMIGOS (valence), while approaching the overall best result (reaching the
second-best) in SEED-V and AMIGOS (arousal). The analysis shows that our
pairwise representation alignment considerably improves the performance by
reducing the distribution alignment between unlabeled and labeled data,
especially when only 1 sample per class is labeled.
- Abstract（参考訳）: 感情認識のための強い脳波表現を学習するための新しい半教師付きアーキテクチャであるPARSEを提案する。
大量のラベル付きデータと限られたラベル付きデータとの間の潜在的分布ミスマッチを低減するため、PARSEはペア方向のアライメントアライメントを使用する。
まず,データ拡張を行い,大量のオリジナルおよび拡張された未ラベルデータに対するラベル推定を行う。
その後、推測されたラベルとラベルなしデータとラベル付きデータの凸の組み合わせをシャープにする。
最後に、表現アライメントと感情分類を行う。
モデルを厳密にテストするために、PARSEと最先端の半教師付きアプローチを比較し、脳波学習に適応する。
我々はこれらの実験を4つの公的な脳波に基づく感情認識データセット、SEED, SEED-IV, SEED-V, AMIGOSで実施した。
実験の結果,提案手法はシード,シードiv,アミゴス(ヴァレンス)のラベル付きサンプル数を限定し,さらにシードvおよびアミゴス(覚醒)のベスト結果(第2位まで到達)に近づくことで,総合的な結果を得ることができた。
分析の結果,ラベルなしデータとラベル付きデータの分布アライメントを減少させることにより,ペアワイズ表現アライメントの性能が大幅に向上することがわかった。
関連論文リスト
- LEAF: Unveiling Two Sides of the Same Coin in Semi-supervised Facial Expression Recognition [56.22672276092373]
半教師付き学習は、表情認識におけるラベル不足の課題に取り組むための有望なアプローチとして現れてきた。
本稿では,表現関連表現と擬似ラベルを協調する統合フレームワークであるhierarchicaL dEcoupling And Fusingを提案する。
LEAFは最先端の半教師付きFER法より優れており,ラベル付きデータとラベルなしデータの両方を効果的に活用できることを示す。
論文 参考訳（メタデータ） (2024-04-23T13:43:33Z) - JointMatch: A Unified Approach for Diverse and Collaborative
Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。
擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。
我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:43:35Z) - ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。
ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。
この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
論文 参考訳（メタデータ） (2023-09-26T04:59:49Z) - Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition [19.578050094283313]
DS-AGCフレームワークは、クロスオブジェクト脳波に基づく感情認識において、限定ラベル付きデータの課題に取り組むために提案されている。
提案手法は,不完全ラベル条件の異なる既存手法よりも優れている。
論文 参考訳（メタデータ） (2023-08-13T23:54:40Z) - EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。
2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
論文 参考訳（メタデータ） (2023-03-27T12:02:33Z) - Partial Label Learning for Emotion Recognition from EEG [23.40229188549055]
脳波からの感情認識のための6つの最先端アプローチを適応し、再実装する。
我々は,古典的および実世界の実験において,すべての手法の性能を評価する。
論文 参考訳（メタデータ） (2023-02-25T21:36:39Z) - A Theoretical Understanding of Shallow Vision Transformers: Learning,
Generalization, and Sample Complexity [71.11795737362459]
自己注意モジュールを持つViTは、最近多くのタスクで経験的な成功を収めた。
しかし、理論学習の一般化分析は、ほとんどノイズが多く、解答的である。
本稿では,分類タスクのための浅いViTの理論的解析を行った。
論文 参考訳（メタデータ） (2023-02-12T22:12:35Z) - Active Learning by Feature Mixing [52.16150629234465]
本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。
予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。
これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
論文 参考訳（メタデータ） (2022-03-14T12:20:54Z) - Holistic Semi-Supervised Approaches for EEG Representation Learning [14.67085109524245]
我々は、MixMatch、FixMatch、AdaMatchの3つの全体論的半教師付きアプローチと、脳波学習のための古典的半教師付き手法を適用した。
ラベル付きサンプルの量が異なる実験では、クラスごとにラベル付きサンプルが1つしか使われていない場合でも、全体論的アプローチが強い結果が得られることが示されている。
論文 参考訳（メタデータ） (2021-09-24T03:58:13Z) - i-Mix: A Domain-Agnostic Strategy for Contrastive Representation
Learning [117.63815437385321]
対照的な表現学習を改善するために, 単純で効果的なドメインに依存しない正規化戦略i-Mixを提案する。
実験では、i-Mixはドメイン間の学習表現の質を一貫して改善することを示した。
論文 参考訳（メタデータ） (2020-10-17T23:32:26Z) - MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative
Adversarial Network [51.84251358009803]
本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。
利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。
本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
論文 参考訳（メタデータ） (2020-06-11T17:14:55Z)
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。