論文の概要: Block-As-Domain Adaptation for Workload Prediction from fNIRS Data

• arxiv url: http://arxiv.org/abs/2405.00213v1
• Date: Tue, 30 Apr 2024 21:37:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 17:06:33.118264
• Title: Block-As-Domain Adaptation for Workload Prediction from fNIRS Data
• Title（参考訳）: fNIRSデータによるワークロード予測のためのブロック・アズ・ドメイン適応
• Authors: Jiyang Wang, Ayse Altay, Senem Velipasalar,
• Abstract要約: 機能近赤外分光法(FNIRS)は、皮質血行動態を測定する非侵襲的な方法である。 実世界の設定に適用するには、モデルが必要であり、異なるセッションと異なる主題でうまく機能する。 クラス認識ブロック対応ドメイン適応(CABA-DA)と呼ばれる効果的な手法を提案する。
• 参考スコア（独自算出の注目度）: 11.492113750967262
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Functional near-infrared spectroscopy (fNIRS) is a non-intrusive way to measure cortical hemodynamic activity. Predicting cognitive workload from fNIRS data has taken on a diffuse set of methods. To be applicable in real-world settings, models are needed, which can perform well across different sessions as well as different subjects. However, most existing works assume that training and testing data come from the same subjects and/or cannot generalize well across never-before-seen subjects. Additional challenges imposed by fNIRS data include the high variations in inter-subject fNIRS data and also in intra-subject data collected across different blocks of sessions. To address these issues, we propose an effective method, referred to as the class-aware-block-aware domain adaptation (CABA-DA) which explicitly minimize intra-session variance by viewing different blocks from the same subject same session as different domains. We minimize the intra-class domain discrepancy and maximize the inter-class domain discrepancy accordingly. In addition, we propose an MLPMixer-based model for cognitive load classification. Experimental results demonstrate the proposed model has better performance compared with three different baseline models on three public-available datasets of cognitive workload. Two of them are collected from n-back tasks and one of them is from finger tapping. From our experiments, we also show the proposed contrastive learning method can also improve baseline models we compared with.
• Abstract（参考訳）: 機能近赤外分光法(FNIRS)は、皮質血行動態を測定する非侵襲的な方法である。 fNIRSデータからの認知的負荷の予測は、拡散した手法のセットで行われている。 実世界の設定に適用するには、モデルが必要であり、異なるセッションと異なる主題でうまく機能する。 しかしながら、既存のほとんどの研究は、トレーニングとテストデータは同一の被験者から来ており、または/またはそれまで見たことのない被験者間でうまく一般化できないと仮定している。 fNIRSデータによって課されるその他の課題には、オブジェクト間fNIRSデータや、セッションの異なるブロックで収集されたオブジェクト内データなどが含まれる。 これらの課題に対処するため、異なるドメインと同じセッションから異なるブロックを閲覧することで、セッション内分散を明示的に最小化する、CABA-DA(class-aware-block-aware domain adaptation)と呼ばれる効果的な手法を提案する。 クラス内ドメインの差を最小化し、クラス間ドメインの差を最大化する。 さらに,認知負荷分類のためのMLPMixerに基づくモデルを提案する。 実験の結果,提案モデルでは,認知作業負荷の3つの公開データセット上での3つのベースラインモデルと比較して,優れた性能を示した。 そのうちの2つはn-backタスクから収集され、そのうちの1つは指のタッピングから収集される。 実験の結果,提案手法はベースラインモデルの改良にも有効であることがわかった。

関連論文リスト

• Detail Reinforcement Diffusion Model: Augmentation Fine-Grained Visual Categorization in Few-Shot Conditions [11.121652649243119]
  拡散モデルは、データ生成において顕著な多様性のため、データ拡張において広く採用されている。 詳細強化拡散モデル(DRDM)と呼ばれる新しい手法を提案する。 大規模モデルの豊富な知識を微粒化に活用し、識別的意味的組換え(DSR)と空間的知識参照(SKR)の2つの重要な構成要素を含む。
  論文  参考訳（メタデータ） (2023-09-15T01:28:59Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Exploratory Analysis of Federated Learning Methods with Differential Privacy on MIMIC-III [0.7349727826230862]
  フェデレートされた学習方法は、プライバシに敏感なデータセット上で機械学習モデルをトレーニングする可能性を提供する。 オープンソースMIMIC-IIIデータセット上でのトレーニングモデルにおいて,異なるフェデレーションおよび差分プライバシー手法が与える影響の評価を行う。
  論文  参考訳（メタデータ） (2023-02-08T17:27:44Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Measuring Overfitting in Convolutional Neural Networks using Adversarial Perturbations and Label Noise [3.395452700023097]
  過度に適合したニューラルネットワークは、目に見えないデータに一般化するよりも、トレーニングデータのノイズを記憶する傾向がある。 本稿では,VGG と ResNet に基づくアーキテクチャにおけるオーバーフィッティング対策について紹介する。 モデルプール外における複数のCNNアーキテクチャの過適合度を測定することにより,提案手法の適用性を評価する。
  論文  参考訳（メタデータ） (2022-09-27T13:40:53Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Deep Stable Learning for Out-Of-Distribution Generalization [27.437046504902938]
  深層ニューラルネットワークに基づくアプローチは、同様の分布を持つデータとトレーニングデータをテストする際に顕著なパフォーマンスを達成した。 トレーニングとテストデータ間の分散シフトの影響を排除することは、パフォーマンス向上の深層モデルの構築に不可欠です。 トレーニングサンプルの学習重みによる特徴間の依存関係を除去し,この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2021-04-16T03:54:21Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• 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。