論文の概要: Recursive Estimation of User Intent from Noninvasive Electroencephalography using Discriminative Models

• arxiv url: http://arxiv.org/abs/2211.02630v1
• Date: Sat, 29 Oct 2022 21:19:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 23:46:35.721262
• Title: Recursive Estimation of User Intent from Noninvasive Electroencephalography using Discriminative Models
• Title（参考訳）: 識別モデルを用いた非侵襲脳波からのユーザインテントの再帰的推定
• Authors: Niklas Smedemark-Margulies, Basak Celik, Tales Imbiriba, Aziz Kocanaogullari, and Deniz Erdogmus
• Abstract要約: 重度音声・身体障害(SSPI)患者のコミュニケーションを回復するために,非侵襲脳波(EEG)からユーザ意図を推定する問題について検討した。 入力手順の各イテレーションにおいて、現在の確率推定に基づいて、次のクエリに対してシンボルのサブセットが選択される。シンボル確率を更新するために、ユーザの応答に関する証拠をイベント関連電位(ERP)から収集する。 提案手法を模擬型入力タスクで評価し, 生成モデルに基づく従来の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 15.586236498847345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of inferring user intent from noninvasive electroencephalography (EEG) to restore communication for people with severe speech and physical impairments (SSPI). The focus of this work is improving the estimation of posterior symbol probabilities in a typing task. At each iteration of the typing procedure, a subset of symbols is chosen for the next query based on the current probability estimate. Evidence about the user's response is collected from event-related potentials (ERP) in order to update symbol probabilities, until one symbol exceeds a predefined confidence threshold. We provide a graphical model describing this task, and derive a recursive Bayesian update rule based on a discriminative probability over label vectors for each query, which we approximate using a neural network classifier. We evaluate the proposed method in a simulated typing task and show that it outperforms previous approaches based on generative modeling.
• Abstract（参考訳）: 重度音声・身体障害(SSPI)患者のコミュニケーションを回復するために,非侵襲脳波(EEG)からユーザ意図を推定する問題について検討した。 本研究の焦点はタイピング作業における後部シンボル確率の推定を改善することである。 型付け手順の各イテレーションで、現在の確率推定に基づいて次のクエリのためにシンボルのサブセットが選択されます。 ユーザの応答に関する証拠は、あるシンボルが事前定義された信頼しきい値を超えるまで、シンボル確率を更新するために、イベント関連電位(erp)から収集される。 このタスクを記述したグラフィカルモデルを提供し、ニューラルネットワーク分類器を用いて近似した各クエリのラベルベクトルに対する識別確率に基づいて再帰的ベイズ更新ルールを導出する。 提案手法を模擬型入力タスクで評価し, 生成モデルに基づく従来の手法よりも優れていることを示す。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
  非決定論的分布を前提とした新しい学習パラダイムを提案する。 提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-31T05:19:38Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• A deep learning based surrogate model for stochastic simulators [0.0]
  シミュレータのための深層学習に基づく代理モデルを提案する。 我々は損失関数として条件付き最大平均誤差(CMMD)を利用する。 その結果,提案手法の優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-10-24T11:38:47Z)
• Word-level confidence estimation for RNN transducers [7.12355127219356]
  本稿では、リカレント・ネットワーク・トランスデューサ(RNN-T)を用いた音声認識(ASR)システムに適した軽量神経信頼モデルを提案する。 他の既存手法と比較して,本モデルは, (a) 認識された単語に関連付けられた時間情報を用いて計算複雑性を低減し, (b) サブワードと単語列をマッピングするためのシンプルでエレガントなトリックを利用する。
  論文  参考訳（メタデータ） (2021-09-28T18:38:00Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Out-of-distribution detection for regression tasks: parameter versus predictor entropy [2.026281591452464]
  マシンラーニングモデルが信頼されるためのトレーニングサンプルから、インスタンスが正しく外れていることを検出することが重要です。 ニューラルネットワークの場合、このタスクの1つのアプローチは、トレーニングデータを説明することができる予測子の多様性を学習することである。 そこで本研究では,関数空間に近接する隣接点に基づく予測器上の分布のエントロピーを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-24T21:41:21Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。