論文の概要: Correntropy-Based Logistic Regression with Automatic Relevance
Determination for Robust Sparse Brain Activity Decoding
- arxiv url: http://arxiv.org/abs/2207.09693v1
- Date: Wed, 20 Jul 2022 06:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:21:17.721459
- Title: Correntropy-Based Logistic Regression with Automatic Relevance
Determination for Robust Sparse Brain Activity Decoding
- Title（参考訳）: ロバストスパース脳活動復号のためのコレントロピーに基づくロジスティック回帰と自動関連決定
- Authors: Yuanhao Li, Badong Chen, Yuxi Shi, Natsue Yoshimura, Yasuharu Koike
- Abstract要約: 相関学習フレームワークを,自動関係決定に基づくスパース分類モデルに導入する。
人工的データセット,脳波(EEG)データセット,機能的磁気共鳴画像(fMRI)データセットで評価した。
- 参考スコア（独自算出の注目度）: 18.327196310636864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent studies have utilized sparse classifications to predict categorical
variables from high-dimensional brain activity signals to expose human's
intentions and mental states, selecting the relevant features automatically in
the model training process. However, existing sparse classification models will
likely be prone to the performance degradation which is caused by noise
inherent in the brain recordings. To address this issue, we aim to propose a
new robust and sparse classification algorithm in this study. To this end, we
introduce the correntropy learning framework into the automatic relevance
determination based sparse classification model, proposing a new
correntropy-based robust sparse logistic regression algorithm. To demonstrate
the superior brain activity decoding performance of the proposed algorithm, we
evaluate it on a synthetic dataset, an electroencephalogram (EEG) dataset, and
a functional magnetic resonance imaging (fMRI) dataset. The extensive
experimental results confirm that not only the proposed method can achieve
higher classification accuracy in a noisy and high-dimensional classification
task, but also it would select those more informative features for the decoding
scenarios. Integrating the correntropy learning approach with the automatic
relevance determination technique will significantly improve the robustness
with respect to the noise, leading to more adequate robust sparse brain
decoding algorithm. It provides a more powerful approach in the real-world
brain activity decoding and the brain-computer interfaces.
- Abstract（参考訳）: 近年の研究では、スパース分類を用いて、高次元脳活動信号からカテゴリー変数を予測し、人間の意図や精神状態を暴露し、モデルトレーニングプロセスで自動的に関連する特徴を選択する。
しかし、既存のスパース分類モデルでは、脳の記録に固有のノイズによって生じる性能劣化が生じる可能性が高い。
この問題に対処するため,本研究では,新しいロバストでスパースな分類アルゴリズムを提案する。
そこで本研究では,相関性決定に基づくスパース分類モデルに相関性学習フレームワークを導入し,新しい相関性に基づく頑健なスパースロジスティック回帰アルゴリズムを提案する。
提案アルゴリズムの優れた脳活動復号性能を示すために,合成データセット,脳波(eeg)データセット,機能的磁気共鳴イメージング(fmri)データセットを用いて評価を行った。
広範な実験結果から,提案手法は,うるさくて高次元な分類タスクにおいて高い分類精度を達成できるだけでなく,より有用なデコードシナリオを選択できることがわかった。
correntropy learningアプローチと自動関連判定技術を統合することで、ノイズに対するロバスト性が大幅に向上し、より適切なロバストな脳デコードアルゴリズムが実現される。
現実世界の脳活動復号と脳-コンピュータインターフェースにおいて、より強力なアプローチを提供する。
関連論文リスト
- Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。
既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。
本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
論文 参考訳（メタデータ） (2024-11-06T14:18:23Z) - Sparse Bayesian Correntropy Learning for Robust Muscle Activity Reconstruction from Noisy Brain Recordings [16.788501453001395]
本研究では,疎度と疎度を同時に実現できるように,疎度ベイズ学習のための新しい頑健な実装を提案する。
最大コレントロピー基準 (MCC) の強い堅牢性により, 疎ベイズ学習体制へのMCCの統合が提案された。
提案手法を十分に評価するために,2つの異なる脳機能を有する人工的データセットと実世界の筋活動再構築タスクを用いた。
論文 参考訳（メタデータ） (2024-04-01T08:16:15Z) - Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。
提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文 参考訳（メタデータ） (2023-11-02T08:26:29Z) - Bandit-Driven Batch Selection for Robust Learning under Label Noise [20.202806541218944]
本稿では,SGD(Gradient Descent)トレーニングにおけるバッチ選択のための新しい手法を提案する。
本手法は,ラベルノイズの存在下での学習過程の最適化に重点を置いている。
論文 参考訳（メタデータ） (2023-10-31T19:19:01Z) - Training neural networks with structured noise improves classification and generalization [0.0]
ノイズの多いトレーニングデータに構造を加えることで,アルゴリズムの性能が大幅に向上することを示す。
また,Hebbian Unlearning(ヘビアン・アンラーニング・ルール)と呼ばれる規則は,雑音が最大値である場合のトレーニング・ウィズ・ノイズ・アルゴリズムと一致することを証明した。
論文 参考訳（メタデータ） (2023-02-26T22:10:23Z) - Low-Resource Music Genre Classification with Cross-Modal Neural Model
Reprogramming [129.4950757742912]
ニューラルモデル再プログラミング(NMR)の概念に基づく低リソース(音楽)分類のための事前学習モデルを活用する新しい手法を提案する。
NMRは、凍結した事前学習モデルの入力を変更することにより、ソースドメインからターゲットドメインへの事前学習モデルの再取得を目指している。
実験結果から,大規模データセットに事前学習したニューラルモデルは,この再プログラミング手法を用いて,音楽ジャンルの分類に成功できることが示唆された。
論文 参考訳（メタデータ） (2022-11-02T17:38:33Z) - Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。
本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
論文 参考訳（メタデータ） (2022-07-15T12:13:04Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。