論文の概要: EvoFA: Evolvable Fast Adaptation for EEG Emotion Recognition
- arxiv url: http://arxiv.org/abs/2409.15733v1
- Date: Tue, 24 Sep 2024 04:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 09:01:07.457185
- Title: EvoFA: Evolvable Fast Adaptation for EEG Emotion Recognition
- Title（参考訳）: EvoFA: 脳波の感情認識のための進化可能な高速適応
- Authors: Ming Jin, Danni Zhang, Gangming Zhao, Changde Du, Jinpeng Li,
- Abstract要約: 本稿では,脳波データに適したオンライン適応フレームワークであるEvolvable Fast Adaptation (EvoFA)を提案する。
EvoFAは、Few-Shot Learning(FSL)の迅速な適応と、ドメイン適応(DA)の分布マッチングを2段階の一般化プロセスを通じて統合する。
テストフェーズでは、設計された進化可能なメタ適応モジュールが、ターゲット(テスト)データの限界分布と進化するソース(トレーニング)データとを反復的に調整する。
- 参考スコア（独自算出の注目度）: 17.29489055612668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG)-based emotion recognition has gained significant traction due to its accuracy and objectivity. However, the non-stationary nature of EEG signals leads to distribution drift over time, causing severe performance degradation when the model is reused. While numerous domain adaptation (DA) approaches have been proposed in recent years to address this issue, their reliance on large amounts of target data for calibration restricts them to offline scenarios, rendering them unsuitable for real-time applications. To address this challenge, this paper proposes Evolvable Fast Adaptation (EvoFA), an online adaptive framework tailored for EEG data. EvoFA organically integrates the rapid adaptation of Few-Shot Learning (FSL) and the distribution matching of Domain Adaptation (DA) through a two-stage generalization process. During the training phase, a robust base meta-learning model is constructed for strong generalization. In the testing phase, a designed evolvable meta-adaptation module iteratively aligns the marginal distribution of target (testing) data with the evolving source (training) data within a model-agnostic meta-learning framework, enabling the model to learn the evolving trends of testing data relative to training data and improving online testing performance. Experimental results demonstrate that EvoFA achieves significant improvements compared to the basic FSL method and previous online methods. The introduction of EvoFA paves the way for broader adoption of EEG-based emotion recognition in real-world applications. Our code will be released upon publication.
- Abstract（参考訳）: 脳波(EEG)に基づく感情認識は、その正確さと客観性から大きな注目を集めている。
しかし、脳波信号の非定常的な性質は、時間とともに分布のドリフトを引き起こし、モデルが再利用されると性能が著しく低下する。
近年、この問題に対処するために多くのドメイン適応(DA)アプローチが提案されているが、キャリブレーションのための大量のターゲットデータに依存しているため、オフラインシナリオに制限され、リアルタイムアプリケーションには適さない。
この課題に対処するために,脳波データに適したオンライン適応フレームワークであるEvolvable Fast Adaptation (EvoFA)を提案する。
EvoFAは、2段階の一般化プロセスを通じてFew-Shot Learning(FSL)の迅速な適応とDomain Adaptation(DA)の分布マッチングを有機的に統合する。
トレーニングフェーズでは、強力な一般化のために、堅牢なベースメタラーニングモデルを構築している。
テストフェーズでは、設計された進化可能なメタ適応モジュールが、ターゲット(テスト)データの限界分布とモデルに依存しないメタラーニングフレームワーク内の進化するソース(トレーニング)データとを反復的に調整し、トレーニングデータに対するテストデータの進化傾向を学習し、オンラインテスト性能を向上させる。
実験結果から,EvoFAは基本的FSL法や従来のオンライン手法に比べて大幅に改善されていることがわかった。
EvoFAの導入は、現実世界のアプリケーションでEEGベースの感情認識を広く採用するための道を開く。
私たちのコードは出版時に公開される。
関連論文リスト
- SPEED: Scalable Preprocessing of EEG Data for Self-Supervised Learning [2.705542761685457]
自己教師付き学習に最適化されたPythonベースのEEG前処理パイプラインを提案する。
この最適化は、自己教師付きトレーニングを安定化し、下流タスクのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-08-15T10:15:01Z) - MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。
近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。
SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
論文 参考訳（メタデータ） (2024-04-13T13:39:26Z) - Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。
テスト時間フォワード最適化適応法(FOA)を提案する。
FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
論文 参考訳（メタデータ） (2024-04-02T05:34:33Z) - Evolving Domain Adaptation of Pretrained Language Models for Text
Classification [24.795214770636534]
進化するドメインシフト(EDS)の中で、時系列テキスト分類に事前訓練された言語モデル(PLM)を適用することは、スタンス検出のようなアプリケーションにおける精度を維持するために重要である。
本研究では, 自己学習, ドメイン・アドバイザリ・トレーニング, ドメイン・アダプティブ・プレトレーニングなど, 進化するドメイン適応(EDA)戦略の有効性を, 漸進的な自己学習手法に焦点をあてて評価する。
論文 参考訳（メタデータ） (2023-11-16T08:28:00Z) - Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。
DAの明確な検証プロトコルは、文献の悪い実践につながっている。
ドメイン適応手法の3つの分野にまたがる課題を示す。
論文 参考訳（メタデータ） (2023-09-07T17:44:18Z) - Distributionally Robust Cross Subject EEG Decoding [15.211091130230589]
本稿では,デコードロバスト性を改善するために,データ上で動的に進化する原理的手法を提案する。
We derived a general data evolution framework based on Wasserstein gradient flow (WGF) and provide two different form of evolution within the framework。
提案手法は、さらなる改善のために、他のデータ拡張手法と容易に統合できる。
論文 参考訳（メタデータ） (2023-08-19T11:31:33Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [119.70303730341938]
データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。
ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。
本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
論文 参考訳（メタデータ） (2023-03-20T15:10:41Z) - Towards physiology-informed data augmentation for EEG-based BCIs [24.15108821320151]
本稿では,手元に設定したデータから新たなデータを生成することにより,トレーニングデータを増強する新しい手法を提案する。
本書では,本手法を解説し,参加者非依存型運動画像分類のための第1次予備結果を示す。
論文 参考訳（メタデータ） (2022-03-27T20:59:40Z)
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。