論文の概要: Disentangled and Side-aware Unsupervised Domain Adaptation for Cross-dataset Subjective Tinnitus Diagnosis

• arxiv url: http://arxiv.org/abs/2205.03230v1
• Date: Tue, 3 May 2022 05:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 00:51:10.097462
• Title: Disentangled and Side-aware Unsupervised Domain Adaptation for Cross-dataset Subjective Tinnitus Diagnosis
• Title（参考訳）: クロスセット型主観的耳鳴診断のための非教師付き領域適応
• Authors: Zhe Liu, Yun Li, Lina Yao, Jessica J.M.Monaghan, and David McAlpine
• Abstract要約: EEG信号は非常に非定常的であり、結果としてモデルが新しいユーザやセッション、データセットに不適切な一般化をもたらす。 本稿では,DSUDA (Disentangled and Side-aware Unsupervised Domain Adaptation) の診断における有用性について述べる。 脳波信号からクラス非関連情報を分離し、分類能力を向上させるために、アンタングル付きオートエンコーダを開発する。 サイドアウェア非教師付きドメイン適応モジュールは、新しいデータセットに対して、クラス非関連情報をドメイン分散として適用し、その分散を除外して、新しいデータセット分類のためのクラス希薄な特徴を得る。
• 参考スコア（独自算出の注目度）: 39.228612434737876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EEG-based tinnitus classification is a valuable tool for tinnitus diagnosis, research, and treatments. Most current works are limited to a single dataset where data patterns are similar. But EEG signals are highly non-stationary, resulting in model's poor generalization to new users, sessions or datasets. Thus, designing a model that can generalize to new datasets is beneficial and indispensable. To mitigate distribution discrepancy across datasets, we propose to achieve Disentangled and Side-aware Unsupervised Domain Adaptation (DSUDA) for cross-dataset tinnitus diagnosis. A disentangled auto-encoder is developed to decouple class-irrelevant information from the EEG signals to improve the classifying ability. The side-aware unsupervised domain adaptation module adapts the class-irrelevant information as domain variance to a new dataset and excludes the variance to obtain the class-distill features for the new dataset classification. It also align signals of left and right ears to overcome inherent EEG pattern difference. We compare DSUDA with state-of-the-art methods, and our model achieves significant improvements over competitors regarding comprehensive evaluation criteria. The results demonstrate our model can successfully generalize to a new dataset and effectively diagnose tinnitus.
• Abstract（参考訳）: 脳波に基づく耳鳴分類は耳鳴の診断、研究、治療に有用である。 現在の作業のほとんどは、データパターンが似ている単一のデータセットに限定されている。 しかし、EEG信号は非常に非定常的であり、結果としてモデルが新しいユーザやセッション、データセットにあまり一般化されていない。 したがって、新しいデータセットに一般化できるモデルを設計することは有益であり、不可欠である。 本研究では,データセット間の分布差を軽減するために,DSUDA(Disentangled and Side-aware Unsupervised Domain Adaptation)を提案する。 クラス非関連情報を脳波信号から切り離し、分類能力を向上させるために、絡み合ったオートエンコーダを開発した。 サイドアウェア非教師付きドメイン適応モジュールは、クラス非関連情報を新しいデータセットへのドメイン分散として適応させ、分散を除外して、新しいデータセット分類のためのクラス希釈特徴を得る。 また、左右の耳の信号を調整して、脳波パターンの違いを克服する。 我々はDSUDAを最先端の手法と比較し,総合評価基準に関する競争相手よりも大幅に改善した。 その結果,本モデルは新たなデータセットに一般化し,チニタスを効果的に診断できることを示した。

関連論文リスト

• Improving SMOTE via Fusing Conditional VAE for Data-adaptive Noise Filtering [0.5735035463793009]
  変分オートエンコーダ(VAE)を用いたSMOTEアルゴリズムの拡張フレームワークを提案する。 本稿では,VAEを用いて低次元潜在空間におけるデータ点密度を体系的に定量化し,クラスラベル情報と分類困難度を同時に統合する手法を提案する。 いくつかの不均衡データセットに関する実証的研究は、この単純なプロセスが、ディープラーニングモデルよりも従来のSMOTEアルゴリズムを革新的に改善することを示している。
  論文  参考訳（メタデータ） (2024-05-30T07:06:02Z)
• Do You Remember? Overcoming Catastrophic Forgetting for Fake Audio Detection [54.20974251478516]
  本稿では,破滅的な忘れを克服するために,偽音声検出のための連続学習アルゴリズムを提案する。 検出ネットワークを微調整する場合,本手法では,真の発話と偽発話の比率に応じて,重み付けの方向を適応的に計算する。 本手法は,音声の感情認識などの関連分野に容易に一般化できる。
  論文  参考訳（メタデータ） (2023-08-07T05:05:49Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-02T04:27:25Z)
• Improving self-supervised pretraining models for epileptic seizure detection from EEG data [0.23624125155742057]
  本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。 自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
  論文  参考訳（メタデータ） (2022-06-28T17:15:49Z)
• Data Augmentation for Dementia Detection in Spoken Language [1.7324358447544175]
  最近のディープラーニング技術はより高速な診断を提供し、有望な結果を示している。 それらは大量のラベル付きデータを必要としており、認知症検出のタスクでは簡単には利用できない。 スパースデータ問題に対する効果的な解決策の1つは、データ拡張であるが、正確なメソッドを慎重に選択する必要がある。
  論文  参考訳（メタデータ） (2022-06-26T13:40:25Z)
• Side-aware Meta-Learning for Cross-Dataset Listener Diagnosis with Subjective Tinnitus [38.66127142638335]
  本稿では,クロスデータセット・ティンニタス診断のための側面認識メタラーニングを提案する。 本手法は,クロスデータセット分類において73.8%の精度を実現する。
  論文  参考訳（メタデータ） (2022-05-03T03:17:44Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)
• Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
  本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-04-19T20:43:29Z)

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。