論文の概要: Target-centered Subject Transfer Framework for EEG Data Augmentation

• arxiv url: http://arxiv.org/abs/2212.00723v1
• Date: Thu, 24 Nov 2022 01:42:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 14:16:09.649021
• Title: Target-centered Subject Transfer Framework for EEG Data Augmentation
• Title（参考訳）: 脳波データ拡張のための目標中心主題伝達フレームワーク
• Authors: Kang Yin, Byeong-Hoo Lee, Byoung-Hee Kwon, Jeong-Hyun Cho
• Abstract要約: データ拡張手法として,ターゲット中心のオブジェクト転送フレームワークを提案する。 ソースデータのサブセットが最初に構築され、ソース・ターゲット関連性を最大化する。 提案するフレームワークは,ノイズではなく,付加的な実データを追加することで,対象ドメインの説明可能性を高める。
• 参考スコア（独自算出の注目度）: 1.3955252961896323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation approaches are widely explored for the enhancement of decoding electroencephalogram signals. In subject-independent brain-computer interface system, domain adaption and generalization are utilized to shift source subjects' data distribution to match the target subject as an augmentation. However, previous works either introduce noises (e.g., by noise addition or generation with random noises) or modify target data, thus, cannot well depict the target data distribution and hinder further analysis. In this paper, we propose a target-centered subject transfer framework as a data augmentation approach. A subset of source data is first constructed to maximize the source-target relevance. Then, the generative model is applied to transfer the data to target domain. The proposed framework enriches the explainability of target domain by adding extra real data, instead of noises. It shows superior performance compared with other data augmentation methods. Extensive experiments are conducted to verify the effectiveness and robustness of our approach as a prosperous tool for further research.
• Abstract（参考訳）: データ拡張手法は脳波信号の復号化のために広く研究されている。 被写体非依存の脳-コンピュータインタフェースシステムでは、ドメイン適応と一般化を用いて、対象対象を拡張として一致するように、音源データ分布をシフトさせる。 しかし、以前の研究はノイズ(例えばノイズの追加やランダムノイズの生成)を導入するか、ターゲットデータを変更するかのいずれかであり、ターゲットデータの分布をうまく表現できず、さらなる分析を妨げている。 本稿では,データ拡張手法としてターゲット中心のオブジェクト転送フレームワークを提案する。 ソースデータのサブセットが最初に構築され、ソース・ターゲット関連性を最大化する。 次に、生成モデルを適用して、データを対象領域に転送する。 提案フレームワークは,ノイズではなく,付加的な実データを追加することで,対象ドメインの説明可能性を高める。 他のデータ拡張手法に比べて優れたパフォーマンスを示す。 今後の研究に有効なツールとしての有効性と堅牢性を検証するため,広範な実験を行った。

関連論文リスト

• Toward Improving Robustness of Object Detectors Against Domain Shift [0.0]
  本稿では,駆動対象検出器のドメインシフトに対するロバスト性を向上させるためのデータ拡張手法を提案する。 YOLOv4をベースオブジェクト検出器として採用することにより、ソースデータとターゲットドメインデータの両方に顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-02T04:15:48Z)
• Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
  既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。 本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-14T20:11:05Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Single-Shot Domain Adaptation via Target-Aware Generative Augmentation [21.17396588958938]
  既存手法による拡張は,大規模な分散シフトを扱うには不十分である,と我々は主張する。 本稿では、まず、単一ショットターゲットを用いて、ソースドメインから生成モデルを微調整するSiSTA(Single-Shot Target Augmentations)を提案する。 顔検出において,SiSTAは既存のベースラインよりも最大20%改善できることがわかった。
  論文  参考訳（メタデータ） (2022-10-29T20:53:57Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Mitigating Data Heterogeneity in Federated Learning with Data Augmentation [26.226057709504733]
  Federated Learning(FL)は、集中型モデルのトレーニングを可能にするフレームワークである。 主な障害の1つは、データ不均一性、すなわち、各クライアントが独立に独立に分散した(非IID)データを持っていることである。 最近の証拠は、データ拡張が同等またはそれ以上のパフォーマンスを誘導できることを示している。
  論文  参考訳（メタデータ） (2022-06-20T19:47:43Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
  本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。 我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T23:06:26Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)

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。