Fugu-MT 論文翻訳(概要): Source Data Selection for Brain-Computer Interfaces based on Simple Features

論文の概要: Source Data Selection for Brain-Computer Interfaces based on Simple Features

arxiv url: http://arxiv.org/abs/2410.02360v1
Date: Thu, 3 Oct 2024 10:17:37 GMT
ステータス: 処理完了
システム内更新日: 2024-11-04 03:40:32.223823
Title: Source Data Selection for Brain-Computer Interfaces based on Simple Features
Title（参考訳）: 簡単な特徴に基づく脳-コンピュータインタフェースのソースデータ選択
Authors: Frida Heskebeck, Carolina Bergeling, Bo Bernhardsson,
Abstract要約: 脳-コンピュータインタフェースのキャリブレーション中に利用できる単純な機能は、ソースデータの選択に利用できる。 Transfer Performance Predictorメソッドは、他のソースデータ選択方法よりも優れています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This paper demonstrates that simple features available during the calibration of a brain-computer interface can be utilized for source data selection to improve the performance of the brain-computer interface for a new target user through transfer learning. To support this, a public motor imagery dataset is used for analysis, and a method called the Transfer Performance Predictor method is presented. The simple features are based on the covariance matrices of the data and the Riemannian distance between them. The Transfer Performance Predictor method outperforms other source data selection methods as it selects source data that gives a better transfer learning performance for the target users.
Abstract（参考訳）: 本稿では,脳-コンピュータインタフェースの校正時に利用できる簡単な特徴を,脳-コンピュータインタフェースの性能向上に活用できることを示す。これをサポートするために、パブリックモータ画像データセットを解析に使用し、転送性能予測法と呼ばれる方法を示す。単純な特徴は、データの共分散行列とそれらの間のリーマン距離に基づいている。転送性能予測法は、ターゲットユーザに対してより良い転送学習性能を与えるソースデータを選択する際に、他のソースデータ選択方法よりも優れる。

関連論文リスト

Covariate-Elaborated Robust Partial Information Transfer with Conditional Spike-and-Slab Prior [1.111488407653005]
本研究では,頑健な部分的情報伝達を実現するために,ConCERT'という新しいベイズ変換学習手法を提案する。情報伝達のためのターゲットパラメータとソースパラメータの共分散に、条件付きスパイク・アンド・スラブ前処理を導入する。既存の作業とは対照的に、CONCERTは1ステップの手順であり、変数の選択と情報転送を同時に行う。
論文参考訳（メタデータ） (2024-03-30T07:32:58Z)
Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文参考訳（メタデータ） (2024-03-07T16:17:33Z)
LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文参考訳（メタデータ） (2024-02-06T19:18:04Z)
A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning [9.596923373834093]
本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
論文参考訳（メタデータ） (2024-01-15T05:32:35Z)
Performance Scaling via Optimal Transport: Enabling Data Selection from Partially Revealed Sources [9.359395812292291]
本稿では,モデル性能を予測し,将来的なデータソースの部分的なサンプルに基づいたデータ選択決定を支援する or> というフレームワークを提案する。 or> 既存のパフォーマンススケーリングアプローチを大幅に改善し,性能予測の精度と,性能構築に伴う計算コストを両立させる。また,他の市販ソリューションと比較して,データ選択効率の差は広い。
論文参考訳（メタデータ） (2023-07-05T17:33:41Z)
Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文参考訳（メタデータ） (2023-03-02T17:32:11Z)
A Data-Based Perspective on Transfer Learning [76.30206800557411]
転送学習におけるソースデータセットの合成の役割について,より詳しく検討する。我々のフレームワークは、転送学習の脆さをピンポインティングするなど、新しい機能を生み出します。
論文参考訳（メタデータ） (2022-07-12T17:58:28Z)
Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
論文参考訳（メタデータ） (2022-02-02T13:09:27Z)
A Concise Review of Transfer Learning [1.5771347525430772]
転送学習は、他の関連するソースデータを適用することで、ターゲット学習者のパフォーマンスを高めることを目的としている。従来の機械学習とデータマイニングのテクニックは、トレーニングとテストのデータは同じ特徴空間と分布から来ていると仮定する。
論文参考訳（メタデータ） (2021-04-05T20:34:55Z)
Source-free Domain Adaptation via Distributional Alignment by Matching Batch Normalization Statistics [85.75352990739154]
ソースフリー設定のための新しいドメイン適応手法を提案する。未観測のソースデータの分布を近似するために,事前学習モデルに格納されたバッチ正規化統計を用いた。本手法は最先端のドメイン適応手法で競合性能を実現する。
論文参考訳（メタデータ） (2021-01-19T14:22:33Z)
Feature Selection Using Batch-Wise Attenuation and Feature Mask Normalization [6.6357750579293935]
本稿では,新しいバッチ単位の減衰と特徴マスク正規化に基づく特徴選択のための特徴マスクモジュール(FM-モジュール)を提案する。一般的な画像,テキスト,音声のデータセットを用いた実験により,我々のアプローチは使いやすく,最先端のディープラーニングに基づく特徴選択手法と比較して優れた性能を示した。
論文参考訳（メタデータ） (2020-10-26T14:46:38Z)

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。