Fugu-MT 論文翻訳(概要): Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding

論文の概要: Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding

arxiv url: http://arxiv.org/abs/2403.15438v1
Date: Fri, 15 Mar 2024 22:22:10 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 02:54:20.851593
Title: Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding
Title（参考訳）: BCIモータ画像復号のための教師なし適応ディープラーニング手法
Authors: Yassine El Ouahidi, Giulia Lioi, Nicolas Farrugia, Bastien Pasdeloup, Vincent Gripon,
Abstract要約: 本稿では,オンライン上で使用しながら,監督を必要とせずにオフラインのパフォーマンスレベルに達する適応手法を提案する。本稿では,脳波データからの運動画像脳復号の効率を実証する。
参考スコア（独自算出の注目度）: 2.0039413639026917
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In the context of Brain-Computer Interfaces, we propose an adaptive method that reaches offline performance level while being usable online without requiring supervision. Interestingly, our method does not require retraining the model, as it consists in using a frozen efficient deep learning backbone while continuously realigning data, both at input and latent spaces, based on streaming observations. We demonstrate its efficiency for Motor Imagery brain decoding from electroencephalography data, considering challenging cross-subject scenarios. For reproducibility, we share the code of our experiments.
Abstract（参考訳）: 本稿では、Brain-Computer Interfacesの文脈で、オンラインで使用しながら、監督を必要とせずにオフラインのパフォーマンスレベルに達する適応手法を提案する。興味深いことに,本手法は,ストリーミング観測に基づいて,入力空間と潜時空間の両方で連続的にデータを認識しながら,凍結効率のよいディープラーニングバックボーンを使用するため,モデルの再学習を必要としない。本稿では,脳波データからの運動画像脳復号の効率を実証する。再現性については、実験のコードを共有します。

関連論文リスト

Visually Robust Adversarial Imitation Learning from Videos with Contrastive Learning [9.240917262195046]
C-LAIfOは、ビデオからの模倣学習のために設計された計算効率の良いアルゴリズムである。我々は、視覚的相違のある専門家ビデオから模倣の問題を解析する。我々のアルゴリズムはこの空間内で完全に模倣を行う。
論文参考訳（メタデータ） (2024-06-18T20:56:18Z)
Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。提案手法は, 監視対象の性能を超過する。
論文参考訳（メタデータ） (2024-03-25T17:40:32Z)
Calibration-free online test-time adaptation for electroencephalography motor imagery decoding [3.5139431332194198]
我々は,オンラインテスト時間適応(OTTA)の概念を考察し,推論時間中に教師なしの方法でモデルを継続的に適応させる。提案手法では,適応プロセス中にソースデータにアクセスする必要がなくなることにより,プライバシの保護が保証される。我々は、アライメント、適応バッチ正規化、エントロピー最小化といった様々なOTTA技術とともに、軽量なアーキテクチャを用いて、脳波(EEG)運動画像デコーディングの課題について検討する。
論文参考訳（メタデータ） (2023-11-30T12:53:43Z)
RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文参考訳（メタデータ） (2023-11-21T21:05:21Z)
An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T02:27:55Z)
Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文参考訳（メタデータ） (2020-06-22T15:07:06Z)
Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
論文参考訳（メタデータ） (2020-06-04T08:59:17Z)
Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation [0.0]
本稿では,慣性計測ユニット(IMU)のジャイロスコープを地中真実データを用いて識別する学習手法を提案する。得られたアルゴリズムは、(目に見えない)テストシーケンスで最先端の処理を行う。
論文参考訳（メタデータ） (2020-02-25T08:04:31Z)
Modality Compensation Network: Cross-Modal Adaptation for Action Recognition [77.24983234113957]
異なるモダリティの関係を探索するためのモダリティ補償ネットワーク(MCN)を提案する。我々のモデルは、適応表現学習を実現するために、モーダリティ適応ブロックによって、ソースおよび補助モーダリティからのデータをブリッジする。実験の結果,MCNは4つの広く使用されている行動認識ベンチマークにおいて,最先端のアプローチよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-01-31T04:51:55Z)
EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning [46.3327842128563]
本研究では、深部Q-ラーニングを用いて、模擬耐久運転テスト中に得られた脳波データセットを分析することを提案する。運転テストにおける用語を強化学習フレームワークに適合させ,Q-ラーニングタスクの最適化として眠気推定問題を定式化する。その結果、トレーニングされたモデルでは、脳波データに対して十分な方法で精神状態の変動を追跡できることがわかった。
論文参考訳（メタデータ） (2020-01-08T07:10:03Z)
Biologically-Motivated Deep Learning Method using Hierarchical Competitive Learning [0.0]
本稿では,CNNの事前学習方法として,前方伝播信号のみを必要とする教師なしの競争学習を導入することを提案する。提案手法は,例えば時系列や医療データなど,ラベルの粗末なデータに対して有用である。
論文参考訳（メタデータ） (2020-01-04T20:07:36Z)

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。