論文の概要: Knowledge-Data Fusion Based Source-Free Semi-Supervised Domain Adaptation for Seizure Subtype Classification

• arxiv url: http://arxiv.org/abs/2411.19502v1
• Date: Fri, 29 Nov 2024 06:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:21:26.671868
• Title: Knowledge-Data Fusion Based Source-Free Semi-Supervised Domain Adaptation for Seizure Subtype Classification
• Title（参考訳）: 知識データ融合に基づく半教師付きドメイン適応による清純サブタイプ分類
• Authors: Ruimin Peng, Jiayu An, Dongrui Wu,
• Abstract要約: ソースフリー半教師付きドメイン適応(SF-SSDA)は、プライバシ保存型発作サブタイプ分類に使用することができる。 脳波を用いた発作サブタイプ分類のための知識データフュージョンに基づくSF-SSDAアプローチKDF-MutualSHOTを提案する。 パブリックなTUSZデータセットとCHSZデータセットの実験では、KDF-MutualSHOTが他の教師付きおよびソースフリーなドメイン適応アプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 16.060440129421977
• License:
• Abstract: Electroencephalogram (EEG)-based seizure subtype classification enhances clinical diagnosis efficiency. Source-free semi-supervised domain adaptation (SF-SSDA), which transfers a pre-trained model to a new dataset with no source data and limited labeled target data, can be used for privacy-preserving seizure subtype classification. This paper considers two challenges in SF-SSDA for EEG-based seizure subtype classification: 1) How to effectively fuse both raw EEG data and expert knowledge in classifier design? 2) How to align the source and target domain distributions for SF-SSDA? We propose a Knowledge-Data Fusion based SF-SSDA approach, KDF-MutualSHOT, for EEG-based seizure subtype classification. In source model training, KDF uses Jensen-Shannon Divergence to facilitate mutual learning between a feature-driven Decision Tree-based model and a data-driven Transformer-based model. To adapt KDF to a new target dataset, an SF-SSDA algorithm, MutualSHOT, is developed, which features a consistency-based pseudo-label selection strategy. Experiments on the public TUSZ and CHSZ datasets demonstrated that KDF-MutualSHOT outperformed other supervised and source-free domain adaptation approaches in cross-subject seizure subtype classification.
• Abstract（参考訳）: 脳波(EEG)に基づく発作サブタイプ分類は、臨床診断の効率を高める。 ソースのない半教師付きドメイン適応(SF-SSDA)は、事前訓練されたモデルを、ソースデータと限定ラベル付きターゲットデータのない新しいデータセットに転送する。 本稿では,脳波を用いた発作サブタイプ分類におけるSF-SSDAの2つの課題について考察する。 1) 分類器設計における生の脳波データと専門家の知識を効果的に融合する方法 2)SF-SSDAのソースおよびターゲット領域分布の整合性について 脳波を用いた発作サブタイプ分類のための知識データフュージョンに基づくSF-SSDAアプローチKDF-MutualSHOTを提案する。 ソースモデルのトレーニングでは、Jensen-Shannon Divergenceを使用して、特徴駆動のDecision Treeベースのモデルとデータ駆動のTransformerベースのモデル間の相互学習を容易にする。 KDFを新たなターゲットデータセットに適用するために,一貫性に基づく擬似ラベル選択戦略を備えたSF-SSDAアルゴリズムであるMutualSHOTを開発した。 公的TUSZデータセットとCHSZデータセットの実験では、KDF-MutualSHOTは、クロスオブジェクト発作サブタイプ分類において、他の教師付きおよびソースフリードメイン適応アプローチよりも優れていた。

関連論文リスト

• What Has Been Overlooked in Contrastive Source-Free Domain Adaptation: Leveraging Source-Informed Latent Augmentation within Neighborhood Context [28.634315143647385]
  ソースフリードメイン適応(SFDA)は、ラベル付きデータセットを使用してトレーニングされたモデルを適用して、ラベルなしデータセットで効果的に実行する。 この適応は、この2つの領域の間にデータ分布のかなりの相違が存在する場合、特に重要である。 対照的なSFDAに適した,単純かつ高効率な潜伏増強法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T20:09:46Z)
• Source-Free Domain Adaptation of Weakly-Supervised Object Localization Models for Histology [8.984366988153116]
  癌度に応じて組織像を分類するために、WSOL(Deep weakly supervised Object Localization)モデルを訓練することができる。 ラベル付きソースイメージデータに基づいてトレーニングされたWSOLモデルは、ラベルなしターゲットデータを使用して適用することができる。 本稿では,ソースフリー(教師なし)ドメイン適応(SFDA)に着目し,事前学習したソースモデルを新たなターゲットドメインに適応させるという課題について述べる。
  論文  参考訳（メタデータ） (2024-04-29T21:25:59Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• A Transformer-based deep neural network model for SSVEP classification [18.766260137886054]
  本研究では,オブジェクト間分類シナリオにおけるトランスフォーマー構造に基づくSSVEP分類のためのディープラーニングモデルを提案する。 従来の研究から着想を得たモデルでは,SSVEPデータの周波数スペクトルを入力として採用し,分類のためのスペクトル領域情報と空間領域情報を探索する。 提案モデルでは,他のベースライン手法と比較して,分類精度と情報伝達率の点で良好な結果が得られる。
  論文  参考訳（メタデータ） (2022-10-09T05:28:35Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベル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。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Casting a BAIT for Offline and Online Source-free Domain Adaptation [51.161476418834766]
  我々は、ソースフリードメイン適応(SFDA)問題に対処し、ターゲットドメインへの適応中にのみソースモデルが利用可能となる。 本稿では,多種多様な分類器に基づくドメイン適応法に着想を得て,第2の分類器を導入する。 ターゲットドメインに適合すると、ソースから追加の分類器が誤って分類された特徴を見つけることが期待される。 本手法は, オープンソースフリードメイン適応設定下において, SFDA法をはるかに上回っている。
  論文  参考訳（メタデータ） (2020-10-23T14:18:42Z)
• My Health Sensor, my Classifier: Adapting a Trained Classifier to Unlabeled End-User Data [0.5091527753265949]
  本研究では,ラベル付きソースデータが直接利用できないような制約を伴って,教師なしドメイン適応(DA)のアプローチを提案する。 我々のソリューションは、分類器の信念に基づいて、ターゲットデータ分布の信頼性の高いサブリージョンのみを反復的にラベル付けする。 本研究の目的は,患者のニーズに応じて睡眠時無呼吸を検知し,パーソナライズを実現するためのアプローチをDAに適用することである。
  論文  参考訳（メタデータ） (2020-09-22T20:27:35Z)
• Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search [20.199195698983715]
  教師なしドメイン適応 (Unsupervised Domain Adaptation, UDA) 技術は、十分な量の不正なターゲットデータの存在を前提としている。 本稿では,対象データを必要としないUDAの手法を提案する。 情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。
  論文  参考訳（メタデータ） (2020-05-11T20:58:23Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。