論文の概要: Source-free Subject Adaptation for EEG-based Visual Recognition
- arxiv url: http://arxiv.org/abs/2301.08448v1
- Date: Fri, 20 Jan 2023 07:01:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 13:39:04.334129
- Title: Source-free Subject Adaptation for EEG-based Visual Recognition
- Title（参考訳）: 脳波に基づく視覚認識のための音源なし主題適応
- Authors: Pilhyeon Lee, Seogkyu Jeon, Sunhee Hwang, Minjung Shin, Hyeran Byun
- Abstract要約: 本稿では,脳波に基づく視覚認識の主観的適応に焦点を当てた。
脳波サンプルが限定された対象者向けにカスタマイズされた視覚刺激認識システムを構築することを目的としている。
- 参考スコア（独自算出の注目度）: 21.02197151821699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on subject adaptation for EEG-based visual recognition. It
aims at building a visual stimuli recognition system customized for the target
subject whose EEG samples are limited, by transferring knowledge from abundant
data of source subjects. Existing approaches consider the scenario that samples
of source subjects are accessible during training. However, it is often
infeasible and problematic to access personal biological data like EEG signals
due to privacy issues. In this paper, we introduce a novel and practical
problem setup, namely source-free subject adaptation, where the source subject
data are unavailable and only the pre-trained model parameters are provided for
subject adaptation. To tackle this challenging problem, we propose
classifier-based data generation to simulate EEG samples from source subjects
using classifier responses. Using the generated samples and target subject
data, we perform subject-independent feature learning to exploit the common
knowledge shared across different subjects. Notably, our framework is
generalizable and can adopt any subject-independent learning method. In the
experiments on the EEG-ImageNet40 benchmark, our model brings consistent
improvements regardless of the choice of subject-independent learning. Also,
our method shows promising performance, recording top-1 test accuracy of 74.6%
under the 5-shot setting even without relying on source data. Our code can be
found at
https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Source_Free_Subject_Adaptation_for _EEG.
- Abstract（参考訳）: 本稿では,脳波に基づく視覚認識の主題適応に焦点を当てた。
情報源の豊富なデータから知識を伝達することにより、脳波サンプルが制限された対象者向けにカスタマイズされた視覚刺激認識システムを構築することを目的としている。
既存のアプローチでは、トレーニング中にソース対象のサンプルがアクセス可能であるシナリオが検討されている。
しかし、プライバシの問題から脳波信号などの生体データにアクセスすることは、しばしば実現不可能で問題となる。
本稿では,対象データを利用できなくし,事前学習したモデルパラメータのみを対象適応として提供する,新規で実践的な課題設定,すなわちソースフリーな対象適応を導入する。
この課題に対処するため、分類器応答を用いて音源からの脳波サンプルをシミュレートする分類器ベースのデータ生成を提案する。
生成したサンプルと対象データを用いて、被験者に依存しない特徴学習を行い、異なる被験者間で共有される共通知識を活用する。
特に,本フレームワークは一般化可能であり,対象に依存しない学習手法を適用できる。
EEG-ImageNet40ベンチマークの実験では、主観非依存学習の選択にかかわらず、我々のモデルは一貫した改善をもたらす。
また,提案手法では,ソースデータに頼らずとも5ショット設定でトップ1テスト精度74.6%の有望な性能を示す。
私たちのコードはhttps://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Source_Free_Subject_Adaptation_for _EEGで確認できます。
関連論文リスト
- KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。
本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。
提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
論文 参考訳（メタデータ） (2024-11-22T08:21:03Z) - EEGFormer: Towards Transferable and Interpretable Large-Scale EEG
Foundation Model [39.363511340878624]
大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。
本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
論文 参考訳（メタデータ） (2024-01-11T17:36:24Z) - Multi-Source Domain Adaptation with Transformer-based Feature Generation
for Subject-Independent EEG-based Emotion Recognition [0.5439020425819]
本稿では,複数の情報源からの情報を活用するために,トランスフォーマーベースの特徴生成器(MSDA-TF)を用いたマルチソース領域適応手法を提案する。
適応過程において、相関値に基づいてソース対象をグループ化し、ソース内だけでなく、対象対象のモーメントを各ソースと整合させることを目的としている。
MSDA-TFはSEEDデータセット上で検証され、有望な結果が得られた。
論文 参考訳（メタデータ） (2024-01-04T16:38:47Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - Inter-subject Contrastive Learning for Subject Adaptive EEG-based Visual
Recognition [20.866855009168606]
本稿では,主観的適応脳波に基づく視覚認識の課題に取り組む。
脳波信号に基づいて視覚刺激のカテゴリを正確に予測することを目的としている。
同一クラスを共有する特徴の類似性を高めて,異なる対象から得られる特徴の類似性を高めることによって,対象非依存表現を学習する新しい手法を提案する。
論文 参考訳（メタデータ） (2022-02-07T01:34:57Z) - Subject Adaptive EEG-based Visual Recognition [14.466626957417864]
本稿では,脳波信号に基づいて被験者が観察する視覚オブジェクトのクラスを予測することを目的とした,脳波に基づく視覚認識に焦点を当てた。
主な課題の1つは、異なる主題からの信号の大きなばらつきである。
本稿では,脳波をベースとした視覚認識という新たな課題について紹介する。
論文 参考訳（メタデータ） (2021-10-26T08:06:55Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - 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) - BENDR: using transformers and a contrastive self-supervised learning
task to learn from massive amounts of EEG data [15.71234837305808]
言語モデリング(LM)の手法とアーキテクチャを脳波モデリング(EM)に適用する方法を検討する。
1つの事前学習モデルが、異なるハードウェアで記録された全く新しい生の脳波シーケンスをモデル化できることがわかった。
このモデルの内部表現とアーキテクチャ全体は、さまざまな下流のBCIおよびEEG分類タスクに微調整することができる。
論文 参考訳（メタデータ） (2021-01-28T14:54:01Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳（メタデータ） (2020-02-20T03:13:58Z)
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。