論文の概要: Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs
- arxiv url: http://arxiv.org/abs/2411.02094v1
- Date: Mon, 04 Nov 2024 13:56:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:49:02.456224
- Title: Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs
- Title（参考訳）: 脳波BCIのロバスト性および精度向上のためのアライメントベース逆行訓練(ABAT)
- Authors: Xiaoqing Chen, Ziwei Wang, Dongrui Wu,
- Abstract要約: ABATは、敵の訓練の前にEEGデータアライメントを実行する。
データアライメントは、異なるドメインからのEEGトライアルを調整して、分散の相違を減らす。
敵の訓練は 分類境界をさらに強固にする
- 参考スコア（独自算出の注目度）: 20.239554619810935
- License:
- Abstract: Machine learning has achieved great success in electroencephalogram (EEG) based brain-computer interfaces (BCIs). Most existing BCI studies focused on improving the decoding accuracy, with only a few considering the adversarial security. Although many adversarial defense approaches have been proposed in other application domains such as computer vision, previous research showed that their direct extensions to BCIs degrade the classification accuracy on benign samples. This phenomenon greatly affects the applicability of adversarial defense approaches to EEG-based BCIs. To mitigate this problem, we propose alignment-based adversarial training (ABAT), which performs EEG data alignment before adversarial training. Data alignment aligns EEG trials from different domains to reduce their distribution discrepancies, and adversarial training further robustifies the classification boundary. The integration of data alignment and adversarial training can make the trained EEG classifiers simultaneously more accurate and more robust. Experiments on five EEG datasets from two different BCI paradigms (motor imagery classification, and event related potential recognition), three convolutional neural network classifiers (EEGNet, ShallowCNN and DeepCNN) and three different experimental settings (offline within-subject cross-block/-session classification, online cross-session classification, and pre-trained classifiers) demonstrated its effectiveness. It is very intriguing that adversarial attacks, which are usually used to damage BCI systems, can be used in ABAT to simultaneously improve the model accuracy and robustness.
- Abstract（参考訳）: 機械学習は脳波(EEG)ベースの脳-コンピュータインターフェース(BCI)において大きな成功を収めた。
既存のBCI研究の多くは復号精度の向上に重点を置いており、敵のセキュリティを考慮に入れているものはごくわずかである。
コンピュータビジョンなどの他のアプリケーション領域では、多くの敵防衛手法が提案されているが、以前の研究では、それらのBCIへの直接拡張は良性サンプルの分類精度を低下させることを示した。
この現象は、EEGベースのBCIに対する敵防衛アプローチの適用性に大きな影響を及ぼす。
この問題を軽減するために,敵のトレーニング前に脳波データアライメントを行うアライメントベースの敵訓練(ABAT)を提案する。
データアライメントは、異なる領域からのEEGトライアルを整列させ、その分布格差を減らす。
データアライメントと逆トレーニングの統合により、トレーニング済みのEEG分類器はより正確で堅牢になる。
2つの異なるBCIパラダイムからの5つのEEGデータセット(モトラー画像分類、事象関連電位認識)、3つの畳み込みニューラルネットワーク分類器(EEGNet、ShallowCNN、DeepCNN)、および3つの異なる実験設定(オフライン内クロスブロック/セッション分類、オンラインクロスセッション分類、事前訓練された分類器)による実験は、その効果を実証した。
ABATでは、通常BCIシステムにダメージを与えるために使用される敵攻撃が、モデル精度と堅牢性を同時に改善するために使用されることが非常に興味深い。
関連論文リスト
- Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。
本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。
C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
論文 参考訳（メタデータ） (2024-05-24T14:20:09Z) - Time-Frequency Jointed Imperceptible Adversarial Attack to Brainprint Recognition with Deep Learning Models [7.019918611093632]
本稿では,時間領域と周波数領域のEEG信号を同時攻撃する新たな敵攻撃手法を提案する。
本手法は,3つのデータセットと3つのディープラーニングモデルに対して,最先端の攻撃性能を実現する。
論文 参考訳（メタデータ） (2024-03-15T05:06:34Z) - Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。
近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。
本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-03-05T09:18:29Z) - Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。
我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。
実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
論文 参考訳（メタデータ） (2023-11-29T12:40:45Z) - EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive
Activity from EEG [0.0]
脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。
転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
論文 参考訳（メタデータ） (2022-12-08T10:15:52Z) - Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces [28.686844131216287]
機械学習は脳波(EEG)に基づく脳-コンピュータインターフェース(BCI)において大きな成功を収めた
近年の研究では、脳波に基づくBCIは敵の攻撃に弱いことが示されており、入力に小さな摂動が加えられると誤分類が生じる可能性がある。
本稿では,脳波によるBCIの逆検出を初めて検討する。
論文 参考訳（メタデータ） (2022-11-28T11:05:32Z) - Distributed Adversarial Training to Robustify Deep Neural Networks at
Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。
このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。
複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-13T15:39:43Z) - Enhancing Adversarial Training with Feature Separability [52.39305978984573]
本稿では,特徴分離性を備えた対人訓練(ATFS)により,クラス内特徴の類似性を向上し,クラス間特徴分散を増大させることができる,新たな対人訓練グラフ(ATG)を提案する。
包括的な実験を通じて、提案したATFSフレームワークがクリーンかつロバストなパフォーマンスを著しく改善することを示した。
論文 参考訳（メタデータ） (2022-05-02T04:04:23Z) - Common Spatial Generative Adversarial Networks based EEG Data
Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。
CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。
我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
論文 参考訳（メタデータ） (2021-02-08T10:37:03Z) - EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。
本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
論文 参考訳（メタデータ） (2020-10-30T20:49:42Z) - Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。
我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文 参考訳（メタデータ） (2020-10-26T04:44:43Z)
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。