論文の概要: Partial Label Learning for Emotion Recognition from EEG
- arxiv url: http://arxiv.org/abs/2302.13170v1
- Date: Sat, 25 Feb 2023 21:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 18:30:08.104349
- Title: Partial Label Learning for Emotion Recognition from EEG
- Title（参考訳）: 脳波からの感情認識のための部分ラベル学習
- Authors: Guangyi Zhang and Ali Etemad
- Abstract要約: 脳波からの感情認識のための6つの最先端アプローチを適応し、再実装する。
我々は,古典的および実世界の実験において,すべての手法の性能を評価する。
- 参考スコア（独自算出の注目度）: 23.40229188549055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fully supervised learning has recently achieved promising performance in
various electroencephalography (EEG) learning tasks by training on large
datasets with ground truth labels. However, labeling EEG data for affective
experiments is challenging, as it can be difficult for participants to
accurately distinguish between similar emotions, resulting in ambiguous
labeling (reporting multiple emotions for one EEG instance). This notion could
cause model performance degradation, as the ground truth is hidden within
multiple candidate labels. To address this issue, Partial Label Learning (PLL)
has been proposed to identify the ground truth from candidate labels during the
training phase, and has shown good performance in the computer vision domain.
However, PLL methods have not yet been adopted for EEG representation learning
or implemented for emotion recognition tasks. In this paper, we adapt and
re-implement six state-of-the-art PLL approaches for emotion recognition from
EEG on a large emotion dataset (SEED-V, containing five emotion classes). We
evaluate the performance of all methods in classical and real-world
experiments. The results show that PLL methods can achieve strong results in
affective computing from EEG and achieve comparable performance to fully
supervised learning. We also investigate the effect of label disambiguation, a
key step in many PLL methods. The results show that in most cases, label
disambiguation would benefit the model when the candidate labels are generated
based on their similarities to the ground truth rather than obeying a uniform
distribution. This finding suggests the potential of using label
disambiguation-based PLL methods for real-world affective tasks. We make the
source code of this paper publicly available at:
https://github.com/guangyizhangbci/PLL-Emotion-EEG.
- Abstract（参考訳）: 完全教師付き学習は最近、基底真理ラベルを用いた大規模データセットのトレーニングにより、様々な脳波(eeg)学習タスクにおいて有望なパフォーマンスを達成している。
しかし、同様の感情を正確に区別することは困難であり、その結果、曖昧なラベル付け(複数の感情を1つのEEGインスタンスに記録する)が発生する。
この概念はモデル性能の低下を引き起こす可能性があり、基底真理は複数の候補ラベルに隠されている。
この問題に対処するために, 学習段階で候補ラベルから基底的真理を識別するために部分的ラベル学習(pll)が提案され, コンピュータビジョン領域において良好な性能を示している。
しかし、pll法は脳波表現学習や感情認識タスクにはまだ採用されていない。
本稿では,5つの感情クラスを含む感情データセット(SEED-V)を用いて,脳波からの感情認識のための6つの最先端PLLアプローチを適応・再実装する。
古典的および実世界の実験において,すべての手法の性能を評価する。
以上の結果から,PLL法は脳波からの感情計算において強い結果が得られ,完全教師付き学習に匹敵する性能が得られた。
また,多くのPLL法において,ラベルの曖昧さが重要なステップであることを示す。
その結果、ほとんどの場合、一様分布に従うのではなく、基礎的真理と類似性に基づいて候補ラベルが生成される場合、ラベルの曖昧さがモデルに有効であることが示唆された。
この発見は、実世界の情緒的タスクにラベル曖昧性に基づくPLL手法を用いることの可能性を示している。
この論文のソースコードは、https://github.com/guangyizhangbci/PLL-Emotion-EEGで公開しています。
関連論文リスト
- Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition [2.1645626994550664]
我々は,クロスコーパス脳波に基づく感情認識に対処するために,特徴アライメントを用いた新しいコントラスト学習フレームワークを提案する。
事前学習段階では、脳波信号の一般化可能な時間周波数表現を特徴付けるために、共同領域コントラスト学習戦略を導入する。
微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。
論文 参考訳（メタデータ） (2024-04-15T08:21:17Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。
これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。
本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文 参考訳（メタデータ） (2023-08-31T13:37:28Z) - Complementary Classifier Induced Partial Label Learning [54.61668156386079]
部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。
曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。
本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
論文 参考訳（メタデータ） (2023-05-17T02:13:23Z) - Towards Effective Visual Representations for Partial-Label Learning [49.91355691337053]
部分ラベル学習(PLL)では、トレーニングインスタンス毎に、未知の真のラベルを含むあいまいなラベルのセットのみがアクセス可能である。
真のラベルがなければ、正の点は本質的にノイズの多い擬似ラベルで予測され、負の点は大きなバッチや運動量エンコーダを必要とすることが多い。
本稿では,表現学習の改善のための重要なスコープを示す,最先端のコントラスト手法PiCO[PiPi24]を再考する。
論文 参考訳（メタデータ） (2023-05-10T12:01:11Z) - EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。
2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
論文 参考訳（メタデータ） (2023-03-27T12:02:33Z) - Unifying the Discrete and Continuous Emotion labels for Speech Emotion
Recognition [28.881092401807894]
音声からの感情検出のためのパラ言語分析では、感情は離散的または次元的(連続的な評価)ラベルと同一視されている。
本研究では,連続的感情特性と離散的感情特性を共同で予測するモデルを提案する。
論文 参考訳（メタデータ） (2022-10-29T16:12:31Z) - Multimodal Emotion Recognition with Modality-Pairwise Unsupervised
Contrastive Loss [80.79641247882012]
マルチモーダル感情認識(MER)のための教師なし特徴学習に着目した。
個別の感情を考慮し、モダリティテキスト、音声、視覚が使用される。
本手法は, 対のモダリティ間のコントラスト損失に基づくもので, MER文学における最初の試みである。
論文 参考訳（メタデータ） (2022-07-23T10:11:24Z) - PARSE: Pairwise Alignment of Representations in Semi-Supervised EEG
Learning for Emotion Recognition [23.40229188549055]
感情認識のための強い脳波表現を学習するための新しい半教師付きアーキテクチャであるPARSEを提案する。
大量のラベル付きデータと限られたラベル付きデータとの間の潜在的分布ミスマッチを低減するため、PARSEはペア方向のアライメントアライメントを使用する。
論文 参考訳（メタデータ） (2022-02-11T01:10:17Z) - Holistic Semi-Supervised Approaches for EEG Representation Learning [14.67085109524245]
我々は、MixMatch、FixMatch、AdaMatchの3つの全体論的半教師付きアプローチと、脳波学習のための古典的半教師付き手法を適用した。
ラベル付きサンプルの量が異なる実験では、クラスごとにラベル付きサンプルが1つしか使われていない場合でも、全体論的アプローチが強い結果が得られることが示されている。
論文 参考訳（メタデータ） (2021-09-24T03:58:13Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z)
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。