論文の概要: A Monotonicity Constrained Attention Module for Emotion Classification
with Limited EEG Data
- arxiv url: http://arxiv.org/abs/2208.08155v1
- Date: Wed, 17 Aug 2022 08:47:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 12:33:21.901034
- Title: A Monotonicity Constrained Attention Module for Emotion Classification
with Limited EEG Data
- Title(参考訳): 限定脳波データを用いた感情分類のための単調制約注意モジュール
- Authors: Dongyang Kuang, Craig Michoski, Wenting Li, Rui Guo
- Abstract要約: このモジュールはモノトニック性に事前を組み込むことができるため、MCAM(Monotonicity Constrained Attention Module)と呼ばれる。
実験の結果, MCAMの有効性は, バックボーンネットワークの性能向上において, 最先端の注目モジュールに匹敵することがわかった。
- 参考スコア(独自算出の注目度): 13.337234616440913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, a parameter-efficient attention module is presented for emotion
classification using a limited, or relatively small, number of
electroencephalogram (EEG) signals. This module is called the Monotonicity
Constrained Attention Module (MCAM) due to its capability of incorporating
priors on the monotonicity when converting features' Gram matrices into
attention matrices for better feature refinement. Our experiments have shown
that MCAM's effectiveness is comparable to state-of-the-art attention modules
in boosting the backbone network's performance in prediction while requiring
less parameters. Several accompanying sensitivity analyses on trained models'
prediction concerning different attacks are also performed. These attacks
include various frequency domain filtering levels and gradually morphing
between samples associated with multiple labels. Our results can help better
understand different modules' behaviour in prediction and can provide guidance
in applications where data is limited and are with noises.
- Abstract(参考訳): 本研究では,脳波(EEG)信号の限られた,あるいは比較的少ない信号を用いて,感情分類のためのパラメータ効率の高いアテンションモジュールを提示する。
このモジュールはモノトニック性制約付き注意モジュール (MCAM) と呼ばれ、フィーチャの文法行列を注目行列に変換する際に、機能改善のためにモノトニック性に事前を組み込むことができる。
実験の結果, MCAMの有効性は, パラメータを少なくしながら, バックボーンネットワークの性能を向上するために, 最先端のアテンションモジュールに匹敵することがわかった。
異なる攻撃に関する訓練されたモデルの予測に対する感度分析もいくつか行われる。
これらの攻撃には、様々な周波数領域のフィルタリングレベルと、複数のラベルに関連付けられたサンプル間の段階的なモーフィングが含まれる。
この結果は予測におけるモジュールの挙動をよりよく理解し,データ制限やノイズのあるアプリケーションへのガイダンスを提供する。
関連論文リスト
- 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) - Bring Metric Functions into Diffusion Models [145.71911023514252]
DDPM(Denoising Diffusion Probabilistic Model)を改善するカスケード拡散モデル(Cas-DM)を導入する。
提案した拡散モデルバックボーンはLPIPS損失の有効利用を可能にし,最先端画像品質(FID, sFID, IS)を実現する。
実験結果から,提案した拡散モデルバックボーンはLPIPS損失の有効利用を可能にし,最新画像品質(FID, sFID, IS)につながることが示された。
論文 参考訳(メタデータ) (2024-01-04T18:55:01Z) - Investigating Shift Equivalence of Convolutional Neural Networks in
Industrial Defect Segmentation [3.843350895842836]
産業欠陥分割タスクでは、モデルの出力整合性(等価性とも呼ばれる)がしばしば見過ごされる。
CNNにおける従来のサンプリングレイヤの代替として,コンポーネントアテンション多相サンプリング(CAPS)と呼ばれる新しいダウン/アップサンプリング層が提案されている。
マイクロサーフェス欠陥(MSD)データセットと4つの実世界の産業的欠陥データセットの実験結果から,提案手法は高い等価性とセグメンテーション性能を示すことが示された。
論文 参考訳(メタデータ) (2023-09-29T00:04:47Z) - AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of
Diffusion Probabilistic Models [136.58244210412352]
既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。
本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。
本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。
次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
論文 参考訳(メタデータ) (2023-07-20T09:06:21Z) - 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) - Machine Learning Benchmarks for the Classification of Equivalent Circuit
Models from Electrochemical Impedance Spectra [0.0]
本稿では,BatteryDEVハッカソン用にQuantumScapeが提供する9,300のインピーダンススペクトルを分類する機械学習手法を紹介する。
重要な課題はラベルの識別可能性であり、モデル性能と誤分類スペクトルの比較によって下線化されている。
論文 参考訳(メタデータ) (2023-02-07T10:08:35Z) - KAM -- a Kernel Attention Module for Emotion Classification with EEG
Data [0.0]
ニューラルネットワークを用いた脳波に基づく感情分類のタスクに対して,カーネルアテンションモジュールが提案される。
提案モジュールはカーネルトリックを実行することで自己保持機構を利用する。
モデルの平均予測精度は15被験者で1%以上向上することが示されている。
論文 参考訳(メタデータ) (2022-08-17T09:02:09Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Modular Multi Target Tracking Using LSTM Networks [0.0]
本稿では,センサ計測を用いた航空機目標追尾システムに対する自由端対端手法を提案する。
提案したモジュールブロックは、多数のトラッキングアプリケーションで独立して訓練および使用することができる。
論文 参考訳(メタデータ) (2020-11-16T15:58:49Z) - Feature Transformation Ensemble Model with Batch Spectral Regularization
for Cross-Domain Few-Shot Classification [66.91839845347604]
特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。
我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。
提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
論文 参考訳(メタデータ) (2020-05-18T05:31:04Z)
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。