論文の概要: Federated deep transfer learning for EEG decoding using multiple BCI tasks

• arxiv url: http://arxiv.org/abs/2211.10976v2
• Date: Tue, 22 Nov 2022 10:44:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 16:25:38.942447
• Title: Federated deep transfer learning for EEG decoding using multiple BCI tasks
• Title（参考訳）: 複数のBCIタスクを用いた脳波復号のためのフェデレーションディープトランスファー学習
• Authors: Xiaoxi Wei and A. Aldo Faisal
• Abstract要約: ディープラーニングはBCI復号化で成功している。 非常にデータ不足であり、複数のソースからのデータをプールする必要がある。 近年,脳波復号化のためのトランスファーラーニングが提案されている。
• 参考スコア（独自算出の注目度）: 6.320141734801679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has been successful in BCI decoding. However, it is very data-hungry and requires pooling data from multiple sources. EEG data from various sources decrease the decoding performance due to negative transfer. Recently, transfer learning for EEG decoding has been suggested as a remedy and become subject to recent BCI competitions (e.g. BEETL), but there are two complications in combining data from many subjects. First, privacy is not protected as highly personal brain data needs to be shared (and copied across increasingly tight information governance boundaries). Moreover, BCI data are collected from different sources and are often based on different BCI tasks, which has been thought to limit their reusability. Here, we demonstrate a federated deep transfer learning technique, the Multi-dataset Federated Separate-Common-Separate Network (MF-SCSN) based on our previous work of SCSN, which integrates privacy-preserving properties into deep transfer learning to utilise data sets with different tasks. This framework trains a BCI decoder using different source data sets obtained from different imagery tasks (e.g. some data sets with hands and feet, vs others with single hands and tongue, etc). Therefore, by introducing privacy-preserving transfer learning techniques, we unlock the reusability and scalability of existing BCI data sets. We evaluated our federated transfer learning method on the NeurIPS 2021 BEETL competition BCI task. The proposed architecture outperformed the baseline decoder by 3%. Moreover, compared with the baseline and other transfer learning algorithms, our method protects the privacy of the brain data from different data centres.
• Abstract（参考訳）: ディープラーニングはBCIデコーディングで成功している。 しかし、非常にデータに富んでいて、複数のソースからデータをプールする必要がある。 様々なソースからの脳波データにより、負の転送による復号性能が低下する。 近年,脳波デコードのための転送学習は治療として提案され,最近のbciコンペティション(例えばbeetl)の対象となっているが,多くの被験者からのデータの組み合わせには2つの合併症がある。 第一に、プライバシーは、非常に個人的な脳データを共有する必要があるため保護されない(そしてますます厳格な情報ガバナンスの境界を越えてコピーされる)。 さらに、BCIデータは異なるソースから収集され、しばしば異なるBCIタスクに基づいており、再利用性を制限すると考えられている。 本稿では,前回のscsnの作業に基づいて,複数のデータセットを分離した分割共通分離ネットワーク(mf-scsn)であるfederated deep transfer learning手法を実演する。 このフレームワークは、異なる画像タスク(例えば、手と足のデータセットや、片手と舌のデータセットなど)から得られる異なるソースデータセットを使用してbciデコーダを訓練する。 したがって、プライバシ保護転送学習技術を導入することで、既存のBCIデータセットの再利用性とスケーラビリティを解放する。 neurips 2021 beetl competition bciタスクにおけるfederated transfer learning法の評価を行った。 提案するアーキテクチャはベースラインデコーダを3%上回った。 さらに,ベースラインや他の転送学習アルゴリズムと比較して,脳データのプライバシを異なるデータセンターから保護する。

関連論文リスト

• Federated Learning Empowered by Generative Content [55.576885852501775]
  フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。 本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。 我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
  論文  参考訳（メタデータ） (2023-12-10T07:38:56Z)
• Distribution Shift Matters for Knowledge Distillation with Webly Collected Images [91.66661969598755]
  異なる分布間の知識蒸留という新しい手法を提案する(KD$3$)。 まず,教師ネットワークと学生ネットワークの併用予測に基づいて,Webで収集したデータから有用なトレーニングインスタンスを動的に選択する。 また、MixDistributionと呼ばれる新しいコントラスト学習ブロックを構築して、新しい分散のインスタンスアライメントで摂動データを生成します。
  論文  参考訳（メタデータ） (2023-07-21T10:08:58Z)
• MASTER: Multi-task Pre-trained Bottlenecked Masked Autoencoders are Better Dense Retrievers [140.0479479231558]
  本研究では,様々な事前学習タスクをマルチタスク事前学習モデル(MASTER)に統合することを目的とする。 MASTERは共有エンコーダのマルチデコーダアーキテクチャを利用して、タスク全体にわたる豊富なセマンティック情報を高密度ベクトルに圧縮する表現ボトルネックを構築することができる。
  論文  参考訳（メタデータ） (2022-12-15T13:57:07Z)
• Motor Imagery Decoding Using Ensemble Curriculum Learning and Collaborative Training [11.157243900163376]
  マルチオブジェクトEEGデータセットは、いくつかの種類のドメインシフトを示す。 これらの領域シフトは、堅牢なクロスオブジェクトの一般化を妨げる。 複数の特徴抽出器を組み込んだ2段階モデルアンサンブルアーキテクチャを提案する。 我々のモデルアンサンブルアプローチはカリキュラム学習と協調学習の力を組み合わせたものであることを実証する。
  論文  参考訳（メタデータ） (2022-11-21T13:45:44Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Multimodal Masked Autoencoders Learn Transferable Representations [127.35955819874063]
  単純でスケーラブルなネットワークアーキテクチャであるM3AE(Multimodal Masked Autoencoder)を提案する。 M3AEは、マスク付きトークン予測により、視覚と言語データの両方の統一エンコーダを学習する。 我々は,大規模な画像テキストデータセット上で訓練されたM3AEについて実証的研究を行い,M3AEが下流タスクによく伝達される一般化可能な表現を学習できることを見出した。
  論文  参考訳（メタデータ） (2022-05-27T19:09:42Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer Interface [3.2550305883611244]
  脳波(EEG)のイントラオブジェクト間変動は脳-コンピュータインターフェース(BCI)の実用化を困難にしている。 TLトレーニングのための高信頼度対象のみを用いたBCIフレームワークを提案する。 本フレームワークでは,低損失トリックに基づく協調学習アルゴリズムを用いて,TLプロセスの有用な対象を選択し,ノイズのある対象を除外する。
  論文  参考訳（メタデータ） (2021-12-15T15:23:23Z)
• Inter-subject Deep Transfer Learning for Motor Imagery EEG Decoding [1.933681537640272]
  畳み込みニューラルネットワーク(CNN)は脳波を復号する強力な技術となっている。 個々のパフォーマンスを低下させることなく、複数の被験者の脳波でCNNを訓練することは依然として困難です。 本稿では,ネットワークの特徴抽出器を分割したマルチブランチディープ転送ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:01:02Z)
• Federated Transfer Learning for EEG Signal Classification [14.892851587424936]
  脳波分類のためのFTL(Federated Transfer Learning)というプライバシー保護型ディープラーニングアーキテクチャを提案する。 FTLアプローチは、対象適応分析において2%高い分類精度を達成する。 マルチオブジェクトデータがない場合、我々のアーキテクチャは他の最先端のDLアーキテクチャと比較して6%精度が向上する。
  論文  参考訳（メタデータ） (2020-04-26T09:03:19Z)

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。