論文の概要: UMM: Unsupervised Mean-difference Maximization
- arxiv url: http://arxiv.org/abs/2306.11830v1
- Date: Tue, 20 Jun 2023 18:39:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 16:04:31.857959
- Title: UMM: Unsupervised Mean-difference Maximization
- Title(参考訳): UMM:教師なし平均差最大化
- Authors: Jan Sosulski and Michael Tangermann
- Abstract要約: ビジュアルスペルアプリケーションでは、画面に表示される文字のセットはランダムにフラッシュされ、参加者は綴りたいターゲットの文字に出席する。
本稿では,この文字を非教師的に検出する手法を提案する。
各試行において、利用可能な全ての文字に対して、我々のアプローチは、それが実際に出席する文字であるという仮説を立て、これらの仮説に基づいてERPを計算する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many brain-computer interfaces make use of brain signals that are elicited in
response to a visual, auditory or tactile stimulus, so-called event-related
potentials (ERPs). In visual ERP speller applications, sets of letters shown on
a screen are flashed randomly, and the participant attends to the target letter
they want to spell. When this letter flashes, the resulting ERP is different
compared to when any other non-target letter flashes. We propose a new
unsupervised approach to detect this attended letter. In each trial, for every
available letter our approach makes the hypothesis that it is in fact the
attended letter, and calculates the ERPs based on each of these hypotheses. We
leverage the fact that only the true hypothesis produces the largest difference
between the class means. Note that this unsupervised method does not require
any changes to the underlying experimental paradigm and therefore can be
employed in almost any ERP-based setup. To deal with limited data, we use a
block-Toeplitz regularized covariance matrix that models the background
activity. We implemented the proposed novel unsupervised mean-difference
maximization (UMM) method and evaluated it in offline replays of brain-computer
interface visual speller datasets. For a dataset that used 16 flashes per
symbol per trial, UMM correctly classifies 3651 out of 3654 letters
($99.92\,\%$) across 25 participants. In another dataset with fewer and shorter
trials, 7344 out of 7383 letters ($99.47\,\%$) are classified correctly across
54 participants with two sessions each. Even in more challenging datasets
obtained from patients with amyotrophic lateral sclerosis ($77.86\,\%$) or when
using auditory ERPs ($82.52\,\%$), the obtained classification rates obtained
by UMM are competitive. In addition, UMM provides stable confidence measures
which can be used to monitor convergence.
- Abstract(参考訳): 多くの脳-コンピュータインタフェースは、視覚、聴覚、触覚刺激、いわゆる事象関連電位(ERP)に反応して引き起こされる脳信号を利用する。
視覚的ERPスペルアプリケーションでは、画面に表示される文字のセットはランダムにフラッシュされ、参加者は綴りたいターゲットの文字に出席する。
この文字が点滅すると、結果のERPは他のターゲットでない文字が点滅するのと異なる。
我々は,この文字を検出するための新しい教師なし手法を提案する。
各試行において、利用可能な文字ごとに、我々のアプローチは、それが実際に出席する文字であるという仮説を立て、これらの仮説に基づいてERPを計算する。
我々は、真の仮説だけがクラス間の最大の差を生み出すという事実を活用する。
この教師なしの手法は基礎となる実験パラダイムの変更を必要としないので、ほとんどのERPベースの設定で使用できる。
限られたデータを扱うには、バックグラウンドアクティビティをモデル化するblock-toeplitz正規化共分散行列を使用する。
提案手法は,非教師付き平均差最大化法(UMM)を実装し,脳-コンピュータインタフェースの視覚スペルデータセットのオフライン再生で評価した。
1トライアルあたり16のシンボルを使用したデータセットでは、UMMは25人の参加者に対して3654文字(99.92\,\%$)のうち3651文字を正しく分類している。
別のデータセットでは、7383文字中7344文字(99.47\,\%$)が54人の参加者に2つのセッションで正しく分類される。
筋萎縮性側索硬化症(77.86\,\%$)患者や聴覚ERP(82.52\,\%$)患者から得られたより困難なデータセットであっても、UMMが取得した分類率は競争力がある。
加えて、UMMは収束を監視するために使用できる安定した信頼度尺度を提供する。
関連論文リスト
- Optimal Multi-Distribution Learning [94.73322179348332]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では,$(d+k)/varepsilon2$の順に,サンプルの複雑さを伴って,$varepsilon$-optimal randomized hypothesisを生成するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-08T16:06:29Z) - When is Agnostic Reinforcement Learning Statistically Tractable? [76.1408672715773]
エンフスパンニング容量と呼ばれる新しい複雑性測度は、設定された$Pi$にのみ依存し、MDPダイナミクスとは独立である。
我々は、学習するためにスーパーポリノミカルな数のサンプルを必要とする制限付きスパンリング能力を持つポリシークラス$Pi$が存在することを示した。
これにより、生成的アクセスとオンラインアクセスモデルの間の学習可能性の驚くほどの分離が明らかになる。
論文 参考訳(メタデータ) (2023-10-09T19:40:54Z) - M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [103.6153593636399]
緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。
これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。
提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
論文 参考訳(メタデータ) (2023-03-09T09:05:47Z) - Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。
本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
論文 参考訳(メタデータ) (2022-10-26T03:19:24Z) - Oracle-free Reinforcement Learning in Mean-Field Games along a Single
Sample Path [5.926203312586109]
平均フィールドゲーム(MFG)におけるオンライン強化学習の検討
汎用エージェントの単一サンプルパスを用いて平均場平衡(MFE)を近似するアルゴリズムを開発した。
多様なシナリオにおいて,サンドボックス学習アルゴリズムの有効性を実証的に実証した。
論文 参考訳(メタデータ) (2022-08-24T16:22:31Z) - The Curse of Passive Data Collection in Batch Reinforcement Learning [82.6026077420886]
高い利害関係のアプリケーションでは、アクティブな実験は危険すぎると考えられ、データはしばしば受動的に収集される。
バンディットやパッシブ、アクティブなデータ収集などの単純な場合も同様に効果的であるが、制御された状態のシステムからデータを集める場合、パッシブサンプリングの価格ははるかに高い。
論文 参考訳(メタデータ) (2021-06-18T07:54:23Z) - The Paradigm Discovery Problem [121.79963594279893]
我々は、パラダイム発見問題を定式化し、システム判定のためのメトリクスを開発する。
5つの多言語に対する経験的結果について報告する。
私たちのコードとデータは公開されています。
論文 参考訳(メタデータ) (2020-05-04T16:38:54Z)
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。