論文の概要: Learning Exemplar Representations in Single-Trial EEG Category Decoding

• arxiv url: http://arxiv.org/abs/2406.16902v1
• Date: Fri, 31 May 2024 18:51:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 06:41:31.124817
• Title: Learning Exemplar Representations in Single-Trial EEG Category Decoding
• Title（参考訳）: 単一Trial EEGカテゴリデコーディングにおける模範表現の学習
• Authors: Jack Kilgallen, Barak Pearlmutter, Jeffery Mark Siskind,
• Abstract要約: 一つのオブジェクトに関する試行がトレーニングセットとテストセットの両方に現れると、ほとんどすべての分類アルゴリズムがカテゴリラベルのみを与えられたオブジェクトの表現を学習できることを示す。 我々は、単純な分類アルゴリズムと高度なディープラーニングモデルの両方の能力を示し、カテゴリラベルのみを与えられたオブジェクト表現を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Within neuroimgaing studies it is a common practice to perform repetitions of trials in an experiment when working with a noisy class of data acquisition system, such as electroencephalography (EEG) or magnetoencephalography (MEG). While this approach can be useful in some experimental designs, it presents significant limitations for certain types of analyses, such as identifying the category of an object observed by a subject. In this study we demonstrate that when trials relating to a single object are allowed to appear in both the training and testing sets, almost any classification algorithm is capable of learning the representation of an object given only category labels. This ability to learn object representations is of particular significance as it suggests that the results of several published studies which predict the category of observed objects from EEG signals may be affected by a subtle form of leakage which has inflated their reported accuracies. We demonstrate the ability of both simple classification algorithms, and sophisticated deep learning models, to learn object representations given only category labels. We do this using two datasets; the Kaneshiro et al. (2015) dataset and the Gifford et al. (2022) dataset. Our results raise doubts about the true generalizability of several published models and suggests that the reported performance of these models may be significantly inflated.
• Abstract（参考訳）: 脳波(EEG)や脳磁図(MEG)のような、ノイズの多いデータ取得システムを扱う場合、実験で試行を繰り返すのが一般的である。 このアプローチは、いくつかの実験的な設計において有用であるが、対象が観察する対象の圏を特定するなど、ある種の分析に重要な制限を与える。 本研究では,1つの対象に関する試行が,トレーニングセットとテストセットの両方に現れると,ほぼすべての分類アルゴリズムが,カテゴリラベルのみを与えられた対象の表現を学習できることを示す。 この物体表現を学習する能力は、脳波信号から観測対象のカテゴリを予測するいくつかの論文の結果が、報告された精度を膨らませた微妙な形の漏れに影響される可能性があることを示唆しているため、特に重要である。 我々は、単純な分類アルゴリズムと高度なディープラーニングモデルの両方の能力を示し、カテゴリラベルのみを与えられたオブジェクト表現を学習する。 我々は、Keinshiro et al (2015)データセットとGifford et al (2022)データセットの2つのデータセットを使用してこれを行う。 本研究の結果は,いくつかの発表モデルの真の一般化可能性に疑問を呈し,これらのモデルの性能が著しく膨らませられる可能性があることを示唆している。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• Towards the Visualization of Aggregated Class Activation Maps to Analyse the Global Contribution of Class Features [0.47248250311484113]
  クラスアクティベーションマップ(CAM)は、分類に寄与するデータサンプルの各機能の重要性を視覚化する。 複数のサンプルからCAMを集約し,意味的に構造化されたデータの分類のグローバルな説明を示す。 我々のアプローチでは,分析者が高次元データの重要な特徴を検出し,世界的説明の可視化に基づいてAIモデルに調整を導出することができる。
  論文  参考訳（メタデータ） (2023-07-29T11:13:11Z)
• CCRL: Contrastive Cell Representation Learning [0.0]
  本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。 このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-12T18:12:03Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Closing the Generalization Gap in One-Shot Object Detection [92.82028853413516]
  強力な数ショット検出モデルの鍵は、高度なメトリック学習アプローチではなく、カテゴリの数をスケールすることにある。 将来的なデータアノテーションの取り組みは、より広範なデータセットに集中し、より多くのカテゴリにアノテートする必要がある。
  論文  参考訳（メタデータ） (2020-11-09T09:31:17Z)
• Few-Shot Object Detection via Knowledge Transfer [21.3564383157159]
  オブジェクト検出の従来の方法は、通常かなりの量のトレーニングデータと注釈付きバウンディングボックスを必要とする。 本稿では,いくつかの学習例からオブジェクトを検出することを目的とした,知識伝達によるオブジェクト検出について紹介する。
  論文  参考訳（メタデータ） (2020-08-28T06:35:27Z)
• Dataset Bias in Few-shot Image Recognition [57.25445414402398]
  まず,基本カテゴリから学習した伝達可能能力の影響について検討する。 第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
  論文  参考訳（メタデータ） (2020-08-18T14:46:23Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。