論文の概要: DEEPER: Dense Electroencephalography Passage Retrieval
- arxiv url: http://arxiv.org/abs/2412.06695v2
- Date: Fri, 24 Jan 2025 15:37:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-27 14:54:09.434963
- Title: DEEPER: Dense Electroencephalography Passage Retrieval
- Title(参考訳): DEEPER:Dense Electroencephalography Passage Retrieval
- Authors: Niall McGuire, Yashar Moshfeghi,
- Abstract要約: 本稿では,明示的なクエリ変換の必要性を回避した新しいフレームワークであるDEEPER Dense EEG Passage Retrievalを紹介する。
提案手法では,高密度検索アーキテクチャを用いて,脳波信号とテキストパスを効果的に比較可能な統合意味空間を構築する。
- 参考スコア(独自算出の注目度): 6.084958172018792
- License:
- Abstract: A fundamental challenge in Information Retrieval (IR) is the cognitive burden of translating internal information needs into explicit textual queries. This translation barrier particularly affects users with undefined information needs or those who face physical constraints in traditional text input methods. While Brain-Machine Interfaces (BMIs) have emerged as a potential solution for direct neural query interpretation, existing approaches that attempt to convert brain signals into text queries have demonstrated limited success in capturing the complexity of neural semantic patterns. This paper introduces DEEPER Dense EEG Passage Retrieval, a novel framework that bypasses the need for explicit query translation by directly mapping electroencephalography (EEG) signals to relevant text passages. Our approach employs dense retrieval architectures to create a unified semantic space where both EEG signals and text passages can be effectively compared. Experimental evaluation on the ZuCo dataset shows that DEEPER substantially outperforms current EEG-to-text baselines, achieving nearly 5x improvement in retrieval precision while demonstrating robust performance across a diverse set of 30 participants. Through detailed ablation analysis, we identify key architectural components, including specialized neural encoders and strategic negative sampling techniques, that enable effective cross-modal semantic alignment. Our findings demonstrate the feasibility of direct EEG passage retrieval and suggest new possibilities for developing IR systems that can more naturally interface with users' cognitive processes.
- Abstract(参考訳): 情報検索(IR)における基本的な課題は、内部情報要求を明示的なテキストクエリに翻訳する際の認知的負担である。
この翻訳障壁は、特に未定義の情報を必要とするユーザや、従来のテキスト入力方法の物理的制約に直面しているユーザに影響を与える。
Brain-Machine Interfaces (BMI) は、直接的ニューラルネットワーク解釈の潜在的なソリューションとして登場したが、脳信号をテキストクエリに変換しようとする既存のアプローチは、ニューラルネットワークセマンティックパターンの複雑さを捉えるのに、わずかに成功している。
本稿では,脳波信号を直接関連文節にマッピングすることで,明示的なクエリ変換の必要性を回避する新しいフレームワークであるDEEPER Dense EEG Passage Retrievalを紹介する。
提案手法では,高密度検索アーキテクチャを用いて,脳波信号とテキストパスを効果的に比較可能な統合意味空間を構築する。
ZuCoデータセットの実験的評価によると、DEEPERは現在のEEGからテキストへのベースラインを大幅に上回り、検索精度が5倍近く向上し、30人の多様な参加者に対して堅牢なパフォーマンスを示している。
詳細なアブレーション分析により、特定のニューラルエンコーダや戦略的ネガティブサンプリング技術を含む重要なアーキテクチャ要素を同定し、効果的なクロスモーダルなセマンティックアライメントを実現する。
本研究は,脳波経路の直接検索の実現可能性を示すとともに,ユーザの認知過程とより自然に対話できる赤外線システムの開発の可能性を示すものである。
関連論文リスト
- CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳(メタデータ) (2024-12-13T16:27:54Z) - SEE: Semantically Aligned EEG-to-Text Translation [5.460650382586978]
神経生理学的信号を言語に復号することは、脳-コンピュータインターフェース(BCI)の応用において非常に興味深い研究である。
現在のEEG-to-Textデコーディングアプローチは、EEGレコードと生テキストの間に大きなドメインギャップがあるため、課題に直面している。
本稿では,脳波からテキストへのデコードを改善するための新しい手法であるセマンティック・アラインドEEG-to-Text Translationを提案する。
論文 参考訳(メタデータ) (2024-09-14T05:37:15Z) - Con-ReCall: Detecting Pre-training Data in LLMs via Contrastive Decoding [118.75567341513897]
既存のメソッドは通常、ターゲットテキストを分離して分析するか、非メンバーコンテキストでのみ分析する。
Con-ReCallは、メンバと非メンバのコンテキストによって誘導される非対称な分布シフトを利用する新しいアプローチである。
論文 参考訳(メタデータ) (2024-09-05T09:10:38Z) - Towards Linguistic Neural Representation Learning and Sentence Retrieval from Electroencephalogram Recordings [27.418738450536047]
脳波信号を文に変換するための2ステップパイプラインを提案する。
まず,自然読解中に記録された脳波データから単語レベルの意味情報を学習できることを確認する。
脳波エンコーダからの予測に基づいて文章を検索するために,学習不要な検索手法を用いる。
論文 参考訳(メタデータ) (2024-08-08T03:40:25Z) - EEG decoding with conditional identification information [7.873458431535408]
脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。
従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。
ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
論文 参考訳(メタデータ) (2024-03-21T13:38:59Z) - Re-mine, Learn and Reason: Exploring the Cross-modal Semantic
Correlations for Language-guided HOI detection [57.13665112065285]
ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。
本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-25T14:20:52Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Multimodal Emotion Recognition using Transfer Learning from Speaker
Recognition and BERT-based models [53.31917090073727]
本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。
本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
論文 参考訳(メタデータ) (2022-02-16T00:23:42Z) - Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot
Sentiment Classification [78.120927891455]
最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。
本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。
脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
論文 参考訳(メタデータ) (2021-12-05T21:57:22Z) - Subject Independent Emotion Recognition using EEG Signals Employing
Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。
タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。
提案手法は、公開データセットを使用して検証されている。
論文 参考訳(メタデータ) (2021-06-07T09:41:15Z) - Leveraging Semantic Scene Characteristics and Multi-Stream Convolutional
Architectures in a Contextual Approach for Video-Based Visual Emotion
Recognition in the Wild [31.40575057347465]
私たちは、野生のビデオベースの視覚感情認識のタスクに取り組みます。
身体および顔の特徴の抽出のみに依存する標準的な方法論は、しばしば正確な感情予測に欠ける。
我々は、シーンの特徴や属性の形で視覚的コンテキストを活用することで、この問題を軽減することを目指している。
論文 参考訳(メタデータ) (2021-05-16T17:31:59Z)
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。