論文の概要: Dual Prototyping with Domain and Class Prototypes for Affective Brain-Computer Interface in Unseen Target Conditions

• arxiv url: http://arxiv.org/abs/2412.00082v1
• Date: Wed, 27 Nov 2024 00:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:47:57.368107
• Title: Dual Prototyping with Domain and Class Prototypes for Affective Brain-Computer Interface in Unseen Target Conditions
• Title（参考訳）: ドメイン型とクラス型を併用したデュアルプロトタイピングによる脳-コンピュータインタフェース
• Authors: Guangli Li, Zhehao Zhou, Tuo Sun, Ping Tan, Li Zhang, Zhen Liang,
• Abstract要約: 脳波信号は感情的脳とコンピュータのインターフェースにおいて強力なツールとして登場し、感情認識において重要な役割を担っている。 モデル学習におけるソースデータとターゲットデータの両方に依存するため,脳波認識のための最新のディープトランスファー学習手法が課題に直面している。 本稿では,新しいフレームワーク(PL-DCP)を提案する。 PL-DCPはトレーニング中にソースデータのみを運用する。
• 参考スコア（独自算出の注目度）: 29.16210966872911
• License:
• Abstract: EEG signals have emerged as a powerful tool in affective brain-computer interfaces, playing a crucial role in emotion recognition. However, current deep transfer learning-based methods for EEG recognition face challenges due to the reliance of both source and target data in model learning, which significantly affect model performance and generalization. To overcome this limitation, we propose a novel framework (PL-DCP) and introduce the concepts of feature disentanglement and prototype inference. The dual prototyping mechanism incorporates both domain and class prototypes: domain prototypes capture individual variations across subjects, while class prototypes represent the ideal class distributions within their respective domains. Importantly, the proposed PL-DCP framework operates exclusively with source data during training, meaning that target data remains completely unseen throughout the entire process. To address label noise, we employ a pairwise learning strategy that encodes proximity relationships between sample pairs, effectively reducing the influence of mislabeled data. Experimental validation on the SEED and SEED-IV datasets demonstrates that PL-DCP, despite not utilizing target data during training, achieves performance comparable to deep transfer learning methods that require both source and target data. This highlights the potential of PL-DCP as an effective and robust approach for EEG-based emotion recognition.
• Abstract（参考訳）: 脳波信号は感情的脳とコンピュータのインターフェースにおいて強力なツールとして登場し、感情認識において重要な役割を担っている。 しかし、モデル学習におけるソースデータとターゲットデータの両方に依存しており、モデルの性能と一般化に大きな影響を及ぼすため、現在の脳波認識のためのディープラーニング学習手法は課題に直面している。 この制限を克服するために,新しいフレームワーク (PL-DCP) を提案し,特徴のゆがみとプロトタイプ推論の概念を導入する。 ドメインプロトタイプは主題間の個々のバリエーションをキャプチャし、クラスプロトタイプはそれぞれのドメイン内の理想的なクラス分布を表す。 重要な点として、PL-DCPフレームワークはトレーニング中のソースデータのみで動作するため、ターゲットデータはプロセス全体を通して完全に見つからないままである。 ラベルノイズに対処するために、サンプルペア間の近接関係を符号化するペアワイズ学習戦略を用い、ラベル付きデータの影響を効果的に低減する。 SEEDとSEED-IVデータセットの実験的検証は、PL-DCPがトレーニング中にターゲットデータを使用しないにもかかわらず、ソースデータとターゲットデータの両方を必要とするディープトランスファー学習手法に匹敵するパフォーマンスを達成することを示した。 PL-DCPは、脳波に基づく感情認識の効果的で堅牢なアプローチとしての可能性を強調している。

関連論文リスト

• M3D: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition [11.252832459891566]
  本稿では,M3D(Manifold-based Domain Adaptation with Dynamic Distribution)を提案する。 M3Dは、多様体特徴変換、動的分布アライメント、分類器学習、アンサンブル学習の4つの重要なモジュールで構成されている。 実験の結果,M3Dは平均4.47%の精度で従来の非深度学習法より優れていた。
  論文  参考訳（メタデータ） (2024-04-24T03:08:25Z)
• Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition [2.1645626994550664]
  我々は,クロスコーパス脳波に基づく感情認識に対処するために,特徴アライメントを用いた新しいコントラスト学習フレームワークを提案する。 事前学習段階では、脳波信号の一般化可能な時間周波数表現を特徴付けるために、共同領域コントラスト学習戦略を導入する。 微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。
  論文  参考訳（メタデータ） (2024-04-15T08:21:17Z)
• Learning Transferable Conceptual Prototypes for Interpretable Unsupervised Domain Adaptation [79.22678026708134]
  本稿では,Transferable Prototype Learning (TCPL) という,本質的に解釈可能な手法を提案する。 この目的を達成するために、ソースドメインからターゲットドメインにカテゴリの基本概念を転送する階層的なプロトタイプモジュールを設計し、基礎となる推論プロセスを説明するためにドメイン共有プロトタイプを学習する。 総合的な実験により,提案手法は有効かつ直感的な説明を提供するだけでなく,従来の最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-12T06:36:41Z)
• Face Presentation Attack Detection by Excavating Causal Clues and Adapting Embedding Statistics [9.612556145185431]
  顔提示攻撃検出(PAD)はドメイン適応(DA)とドメイン一般化(DG)技術を用いて未知のドメインの性能劣化に対処する。 ほとんどのDGベースのPADソリューションは、プライオリ、すなわち既知のドメインラベルに依存している。 本稿では、因果的観点から複合DGタスクとして顔PADをモデル化し、モデル最適化にリンクすることを提案する。
  論文  参考訳（メタデータ） (2023-08-28T13:11:05Z)
• EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
  ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。 2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
  論文  参考訳（メタデータ） (2023-03-27T12:02:33Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• 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)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Source-free Domain Adaptation via Avatar Prototype Generation and Adaptation [34.45208248728318]
  データプライバシの問題により、ソースドメインデータにアクセスできない、実用的なドメイン適応タスクについて検討する。 ソースデータとターゲットドメインラベルの欠如は、モデル適応を非常に困難にします。 本稿では,ソースモデルに隠れた知識を活用するために,CPGA法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T08:30:54Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)

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。