論文の概要: Distributionally Robust Cross Subject EEG Decoding
- arxiv url: http://arxiv.org/abs/2308.11651v1
- Date: Sat, 19 Aug 2023 11:31:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 17:26:42.232606
- Title: Distributionally Robust Cross Subject EEG Decoding
- Title（参考訳）: 分布的ロバストなクロスサブジェクト脳波復号
- Authors: Tiehang Duan, Zhenyi Wang, Gianfranco Doretto, Fang Li, Cui Tao,
Donald Adjeroh
- Abstract要約: 本稿では,デコードロバスト性を改善するために,データ上で動的に進化する原理的手法を提案する。
We derived a general data evolution framework based on Wasserstein gradient flow (WGF) and provide two different form of evolution within the framework。
提案手法は、さらなる改善のために、他のデータ拡張手法と容易に統合できる。
- 参考スコア（独自算出の注目度）: 15.211091130230589
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, deep learning has shown to be effective for Electroencephalography
(EEG) decoding tasks. Yet, its performance can be negatively influenced by two
key factors: 1) the high variance and different types of corruption that are
inherent in the signal, 2) the EEG datasets are usually relatively small given
the acquisition cost, annotation cost and amount of effort needed. Data
augmentation approaches for alleviation of this problem have been empirically
studied, with augmentation operations on spatial domain, time domain or
frequency domain handcrafted based on expertise of domain knowledge. In this
work, we propose a principled approach to perform dynamic evolution on the data
for improvement of decoding robustness. The approach is based on
distributionally robust optimization and achieves robustness by optimizing on a
family of evolved data distributions instead of the single training data
distribution. We derived a general data evolution framework based on
Wasserstein gradient flow (WGF) and provides two different forms of evolution
within the framework. Intuitively, the evolution process helps the EEG decoder
to learn more robust and diverse features. It is worth mentioning that the
proposed approach can be readily integrated with other data augmentation
approaches for further improvements. We performed extensive experiments on the
proposed approach and tested its performance on different types of corrupted
EEG signals. The model significantly outperforms competitive baselines on
challenging decoding scenarios.
- Abstract（参考訳）: 近年,深層学習は脳波デコード作業に有効であることが示されている。
しかし、その性能は2つの重要な要因によって負の影響を受けうる。
1)信号に固有の高いばらつきと異なる種類の腐敗。
2) eegデータセットは通常、取得コスト、アノテーションコスト、必要な労力量を考えると比較的小さい。
この問題を緩和するためのデータ拡張アプローチは、空間領域、時間領域または周波数領域に関する拡張操作をドメイン知識の専門知識に基づいて手作業で実施し、実証的に研究されている。
本研究では,デコードロバスト性を改善するために,データ上で動的に進化する手法を提案する。
このアプローチは、分散的に堅牢な最適化に基づいており、単一のトレーニングデータ分布ではなく、進化したデータ分布のファミリーを最適化することで、堅牢性を実現する。
我々はwassersteingradient flow(wgf)に基づく汎用データ進化フレームワークを考案し,そのフレームワーク内で2つの異なる形態の進化を提供する。
直感的には、進化過程はEEGデコーダがより堅牢で多様な機能を学ぶのに役立つ。
提案されたアプローチが、さらなる改善のために、他のデータ拡張アプローチと容易に統合できることは注目に値する。
提案手法を広範囲に実験し, 劣化した脳波信号を用いた評価実験を行った。
このモデルは、挑戦的なデコーディングシナリオにおいて、競争上のベースラインを大幅に上回る。
関連論文リスト
- Theoretically Guaranteed Distribution Adaptable Learning [23.121014921407898]
分散適応学習(DAL)と呼ばれる新しいフレームワークを提案する。
DALは、進化するデータ分散を効果的に追跡することを可能にする。
進化する分布を調節する上で、DALの再利用性と進化性を高めることができる。
論文 参考訳（メタデータ） (2024-11-05T09:10:39Z) - Towards Robust Out-of-Distribution Generalization: Data Augmentation and Neural Architecture Search Approaches [4.577842191730992]
我々は、ディープラーニングのための堅牢なOoD一般化への道を探る。
まず,認識に必須でない特徴間の素早い相関を解消するための,新しい効果的なアプローチを提案する。
次に,OoDシナリオにおけるニューラルアーキテクチャ探索の強化問題について検討する。
論文 参考訳（メタデータ） (2024-10-25T20:50:32Z) - EvoFA: Evolvable Fast Adaptation for EEG Emotion Recognition [17.29489055612668]
本稿では,脳波データに適したオンライン適応フレームワークであるEvolvable Fast Adaptation (EvoFA)を提案する。
EvoFAは、Few-Shot Learning(FSL)の迅速な適応と、ドメイン適応(DA)の分布マッチングを2段階の一般化プロセスを通じて統合する。
テストフェーズでは、設計された進化可能なメタ適応モジュールが、ターゲット(テスト)データの限界分布と進化するソース(トレーニング)データとを反復的に調整する。
論文 参考訳（メタデータ） (2024-09-24T04:35:10Z) - Data-Centric Long-Tailed Image Recognition [49.90107582624604]
ロングテールモデルは高品質なデータに対する強い需要を示している。
データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。
現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
論文 参考訳（メタデータ） (2023-11-03T06:34:37Z) - Adversarial and Random Transformations for Robust Domain Adaptation and
Generalization [9.995765847080596]
ランダムデータ拡張による整合性トレーニングを単純に適用することで、ドメイン適応(DA)と一般化(DG)の最先端結果が得られることを示す。
逆変換とランダム変換を組み合わせた手法は、複数のDAおよびDGベンチマークデータセット上で最先端の手法より優れている。
論文 参考訳（メタデータ） (2022-11-13T02:10:13Z) - Improving GANs with A Dynamic Discriminator [106.54552336711997]
我々は、オンザフライで調整可能な判別器は、そのような時間変化に適応できると論じる。
総合的な実証研究により、提案したトレーニング戦略がDynamicDと呼ばれ、追加のコストやトレーニング目標を発生させることなく、合成性能を向上させることが確認された。
論文 参考訳（メタデータ） (2022-09-20T17:57:33Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2022-05-25T13:04:53Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Boosting the Generalization Capability in Cross-Domain Few-shot Learning
via Noise-enhanced Supervised Autoencoder [23.860842627883187]
我々は、新しいノイズ強調型教師付きオートエンコーダ(NSAE)を用いて、特徴分布のより広範なバリエーションを捉えるようモデルに教える。
NSAEは入力を共同で再構築し、入力のラベルと再構成されたペアを予測することによってモデルを訓練する。
また、NSAE構造を利用して、より適応性を高め、対象領域の分類性能を向上させる2段階の微調整手順を提案する。
論文 参考訳（メタデータ） (2021-08-11T04:45:56Z) - CoDA: Contrast-enhanced and Diversity-promoting Data Augmentation for
Natural Language Understanding [67.61357003974153]
我々はCoDAと呼ばれる新しいデータ拡張フレームワークを提案する。
CoDAは、複数の変換を有機的に統合することで、多種多様な情報付加例を合成する。
すべてのデータサンプルのグローバルな関係を捉えるために、対照的な正則化の目的を導入する。
論文 参考訳（メタデータ） (2020-10-16T23:57:03Z)
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。