論文の概要: Sample Dominance Aware Framework via Non-Parametric Estimation for
Spontaneous Brain-Computer Interface
- arxiv url: http://arxiv.org/abs/2311.07079v2
- Date: Wed, 15 Nov 2023 02:51:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 12:36:45.592870
- Title: Sample Dominance Aware Framework via Non-Parametric Estimation for
Spontaneous Brain-Computer Interface
- Title（参考訳）: 自動脳-コンピュータインタフェースのための非パラメトリック推定によるサンプルドミナンス認識フレームワーク
- Authors: Byeong-Hoo Lee, Byoung-Hee Kwon, and Seong-Whan Lee
- Abstract要約: 非定常特性による不整合脳波信号は、性能を低下させる可能性がある。
本研究では,脳波信号の不整合の指標として,サンプル優位の概念を紹介する。
サンプルの不整合に起因する性能を補償する2段階支配スコア推定手法を提案する。
- 参考スコア（独自算出の注目度）: 27.077560296908423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has shown promise in decoding brain signals, such as
electroencephalogram (EEG), in the field of brain-computer interfaces (BCIs).
However, the non-stationary characteristics of EEG signals pose challenges for
training neural networks to acquire appropriate knowledge. Inconsistent EEG
signals resulting from these non-stationary characteristics can lead to poor
performance. Therefore, it is crucial to investigate and address sample
inconsistency to ensure robust performance in spontaneous BCIs. In this study,
we introduce the concept of sample dominance as a measure of EEG signal
inconsistency and propose a method to modulate its effect on network training.
We present a two-stage dominance score estimation technique that compensates
for performance degradation caused by sample inconsistencies. Our proposed
method utilizes non-parametric estimation to infer sample inconsistency and
assigns each sample a dominance score. This score is then aggregated with the
loss function during training to modulate the impact of sample inconsistency.
Furthermore, we design a curriculum learning approach that gradually increases
the influence of inconsistent signals during training to improve overall
performance. We evaluate our proposed method using public spontaneous BCI
dataset. The experimental results confirm that our findings highlight the
importance of addressing sample dominance for achieving robust performance in
spontaneous BCIs.
- Abstract（参考訳）: 深層学習は脳波(EEG)などの脳波を脳-コンピュータインタフェース(BCI)の分野で復号する可能性を示している。
しかし、脳波信号の非定常特性は、適切な知識を得るためにニューラルネットワークを訓練する上での課題となる。
これらの非定常特性から生じる不整合脳波信号は、性能を低下させる可能性がある。
したがって, 自発性BCIにおいて, サンプルの不整合を調査, 対処することが重要である。
本研究では,脳波信号の不整合の尺度としてサンプル支配の概念を導入し,そのネットワークトレーニングへの影響を変調する方法を提案する。
サンプル不一致による性能低下を補償する2段階支配スコア推定手法を提案する。
提案手法は,非パラメトリック推定を用いてサンプルの不整合を推定し,各サンプルに支配スコアを割り当てる。
このスコアはトレーニング中の損失関数で集計され、サンプルの不一致の影響を変調する。
さらに,学習中の不整合信号の影響を徐々に増加させ,全体的なパフォーマンスを向上させるカリキュラム学習手法を考案する。
提案手法を自発的bciデータセットを用いて評価する。
実験の結果,自発的bcisにおけるロバスト性能を達成する上で,サンプル優位に対処することが重要であることが明らかとなった。
関連論文リスト
- PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。
PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-09-24T07:57:21Z) - Hybrid Classification-Regression Adaptive Loss for Dense Object Detection [19.180514552400883]
HCRALと呼ばれるハイブリッド分類回帰適応損失を提案する。
本稿では,タスク間の監視,タスクの不整合に対処するためのResidual of Classification and IoU (RCI)モジュールと,各タスク内の難読化サンプルに焦点をあてる Conditioning Factor (CF) を紹介する。
また, 適応型トレーニングサンプル選択(EATSS)という新たな戦略を導入し, 分類と回帰の不整合を示すサンプルを新たに提供した。
論文 参考訳（メタデータ） (2024-08-30T10:31:39Z) - Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。
我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。
実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
論文 参考訳（メタデータ） (2023-11-29T12:40:45Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Dynamically Scaled Temperature in Self-Supervised Contrastive Learning [11.133502139934437]
本稿では,コサインの類似性に依存した温度スケーリング機能を提案することで,自己教師型学習におけるInfoNCE損失の性能向上に着目する。
実験的な証拠は、提案フレームワークが損失ベースのSSLアルゴリズムよりも優れていることを示している。
論文 参考訳（メタデータ） (2023-08-02T13:31:41Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - Adaptive Spike-Like Representation of EEG Signals for Sleep Stages
Scoring [6.644008481573341]
信号強度の半ガウス的確率によって入力信号と重み特徴を符号化し,フィルタリングし,蓄積する適応的手法を提案する。
提案手法の有効性を検証し,将来有望な方向性を明らかにするため,最先端手法に対する最大の公開データセットの実験を行った。
論文 参考訳（メタデータ） (2022-04-02T11:21:49Z) - Towards Balanced Learning for Instance Recognition [149.76724446376977]
本稿では,インスタンス認識のためのバランス学習のためのフレームワークであるLibra R-CNNを提案する。
IoUバランスのサンプリング、バランスの取れた特徴ピラミッド、客観的再重み付けをそれぞれ統合し、サンプル、特徴、客観的レベルの不均衡を低減します。
論文 参考訳（メタデータ） (2021-08-23T13:40:45Z) - Unsupervised neural adaptation model based on optimal transport for
spoken language identification [54.96267179988487]
トレーニングセットとテストセット間の音響音声の統計的分布のミスマッチにより,音声言語識別(SLID)の性能が大幅に低下する可能性がある。
SLIDの分布ミスマッチ問題に対処するために,教師なしニューラル適応モデルを提案する。
論文 参考訳（メタデータ） (2020-12-24T07:37:19Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z)
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。