論文の概要: Image-based Data Representations of Time Series: A Comparative Analysis in EEG Artifact Detection

• arxiv url: http://arxiv.org/abs/2401.05409v1
• Date: Thu, 21 Dec 2023 22:48:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 08:34:25.920049
• Title: Image-based Data Representations of Time Series: A Comparative Analysis in EEG Artifact Detection
• Title（参考訳）: 時系列画像に基づくデータ表現:脳波アーチファクト検出における比較分析
• Authors: Aaron Maiwald, Leon Ackermann, Maximilian Kalcher, Daniel J. Wu
• Abstract要約: 本稿では,時系列データのイメージベースデータ表現をプロファイリングするためのテストベッドとして,脳波データ内のアーティファクト検出と分類を提案する。 次に、一般的な6つの表現法について、11のディープラーニングアーキテクチャを評価した。 表現の選択はバイアスと分散の間のトレードオフの中で選択を必要とするが、特定の表現は特徴の強調に事実上効果的である。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Alternative data representations are powerful tools that augment the performance of downstream models. However, there is an abundance of such representations within the machine learning toolbox, and the field lacks a comparative understanding of the suitability of each representation method. In this paper, we propose artifact detection and classification within EEG data as a testbed for profiling image-based data representations of time series data. We then evaluate eleven popular deep learning architectures on each of six commonly-used representation methods. We find that, while the choice of representation entails a choice within the tradeoff between bias and variance, certain representations are practically more effective in highlighting features which increase the signal-to-noise ratio of the data. We present our results on EEG data, and open-source our testing framework to enable future comparative analyses in this vein.
• Abstract（参考訳）: 代替データ表現は、下流モデルのパフォーマンスを高める強力なツールである。 しかし、機械学習ツールボックスにはそのような表現が多数存在し、各表現方法の適合性に関する比較的な理解が欠如している。 本稿では,時系列データのイメージベースデータ表現をプロファイリングするためのテストベッドとして,脳波データ内のアーティファクト検出と分類を提案する。 次に、一般的な6つの表現法について、11のディープラーニングアーキテクチャを評価する。 表現の選択はバイアスと分散のトレードオフの中で選択を伴っているが、特定の表現はデータの信号対ノイズ比を増加させる特徴を強調するのに効果的である。 我々は脳波データについて結果を示し、将来の比較分析を可能にするためのテストフレームワークをオープンソース化する。

関連論文リスト

• Diffusion Models as Data Mining Tools [87.77999285241219]
  本稿では、画像合成のために訓練された生成モデルを視覚データマイニングのツールとして利用する方法について述べる。 特定のデータセットから画像を合成するために条件拡散モデルを微調整した後、これらのモデルを用いて典型性尺度を定義することができることを示す。 この尺度は、地理的位置、タイムスタンプ、セマンティックラベル、さらには病気の存在など、異なるデータラベルに対する典型的な視覚的要素がどのように存在するかを評価する。
  論文  参考訳（メタデータ） (2024-07-20T17:14:31Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Vector-Based Data Improves Left-Right Eye-Tracking Classifier Performance After a Covariate Distributional Shift [0.0]
  我々は、より堅牢なベンチマークを作成するために、EEG-ETデータ収集のための微粒なデータアプローチを提案する。 我々は、粗粒データと細粒データの両方を利用して機械学習モデルを訓練し、類似/異なる分布パターンのデータでテストした場合の精度を比較した。 その結果、細粒度ベクトルベースでトレーニングされたモデルは、粗粒度二分分類されたデータでトレーニングされたモデルよりも分布シフトの影響を受けにくいことがわかった。
  論文  参考訳（メタデータ） (2022-07-31T16:27:50Z)
• A graph representation based on fluid diffusion model for multimodal data analysis: theoretical aspects and enhanced community detection [14.601444144225875]
  流体拡散に基づくグラフ定義の新しいモデルを提案する。 本手法は,マルチモーダルデータ解析において,コミュニティ検出のための最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-07T16:30:03Z)
• TimeVAE: A Variational Auto-Encoder for Multivariate Time Series Generation [6.824692201913679]
  可変オートエンコーダ(VAE)を用いて時系列データを合成生成する新しいアーキテクチャを提案する。 提案されたアーキテクチャには、解釈可能性、ドメイン知識をエンコードする能力、トレーニング時間の短縮など、いくつかの異なる特性がある。
  論文  参考訳（メタデータ） (2021-11-15T21:42:14Z)
• VizAI : Selecting Accurate Visualizations of Numerical Data [2.6039035727217907]
  VizAIは、データの様々な統計特性を最初に生成する生成的識別フレームワークである。 これは、視覚化されるデータの真の統計に最もよく一致する視覚化を選択する識別モデルにリンクされている。 VizAIは、最小限の監督で容易に訓練でき、様々な監督レベルの設定に適応できる。
  論文  参考訳（メタデータ） (2021-11-07T22:05:44Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)

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。