論文の概要: Synthetic Data Generation by Supervised Neural Gas Network for Physiological Emotion Recognition Data

• arxiv url: http://arxiv.org/abs/2501.16353v1
• Date: Sun, 19 Jan 2025 15:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-02 08:21:53.529372
• Title: Synthetic Data Generation by Supervised Neural Gas Network for Physiological Emotion Recognition Data
• Title（参考訳）: ニューラルネットワークによる生理的感情認識データのための合成データ生成
• Authors: S. Muhammad Hossein Mousavi,
• Abstract要約: 本研究では,SNG(Supervised Neural Gas)ネットワークを用いた合成データ生成の革新的アプローチを提案する。 SNGは入力データを効率的に処理し、元のデータ分布を忠実に模倣する合成インスタンスを作成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Data scarcity remains a significant challenge in the field of emotion recognition using physiological signals, as acquiring comprehensive and diverse datasets is often prevented by privacy concerns and logistical constraints. This limitation restricts the development and generalization of robust emotion recognition models, making the need for effective synthetic data generation methods more critical. Emotion recognition from physiological signals such as EEG, ECG, and GSR plays a pivotal role in enhancing human-computer interaction and understanding human affective states. Utilizing these signals, this study introduces an innovative approach to synthetic data generation using a Supervised Neural Gas (SNG) network, which has demonstrated noteworthy speed advantages over established models like Conditional VAE, Conditional GAN, diffusion model, and Variational LSTM. The Neural Gas network, known for its adaptability in organizing data based on topological and feature-space proximity, provides a robust framework for generating real-world-like synthetic datasets that preserve the intrinsic patterns of physiological emotion data. Our implementation of the SNG efficiently processes the input data, creating synthetic instances that closely mimic the original data distributions, as demonstrated through comparative accuracy assessments. In experiments, while our approach did not universally outperform all models, it achieved superior performance against most of the evaluated models and offered significant improvements in processing time. These outcomes underscore the potential of using SNG networks for fast, efficient, and effective synthetic data generation in emotion recognition applications.
• Abstract（参考訳）: データ不足は、生理的信号を用いた感情認識の分野で重要な課題であり続けており、包括的で多様なデータセットの取得は、プライバシーの懸念や論理的制約によって防がれている。 この制限により、堅牢な感情認識モデルの開発と一般化が制限され、効果的な合成データ生成方法がより重要になる。 脳波、心電図、GSRなどの生理的信号からの感情認識は、人間とコンピュータの相互作用を強化し、人間の感情状態を理解する上で重要な役割を担っている。 これらの信号を利用することで、SNG(Supervised Neural Gas)ネットワークを用いた合成データ生成に革新的なアプローチを導入し、条件付きVAE、条件付きGAN、拡散モデル、変分型LSTMといった確立されたモデルに対して、注目すべき速度優位性を証明した。 ニューラルガスネットワークは、トポロジカルおよび特徴空間の近接に基づくデータの整理に適応性があることで知られており、生理的感情データの本質的なパターンを保存する現実世界のような合成データセットを生成するための堅牢なフレームワークを提供する。 SNGの実装は入力データを効率的に処理し、比較精度評価を通じて示すように、元のデータ分布を忠実に模倣する合成インスタンスを作成する。 実験では, 提案手法は全モデルを上回る性能は得られなかったが, 評価モデルの大部分に対して優れた性能を示し, 処理時間を大幅に改善した。 これらの結果は、感情認識アプリケーションにおいて、高速で効率的で効果的な合成データ生成にSNGネットワークを使用する可能性を示している。

関連論文リスト

• Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models [6.102274021710727]
  本研究では、拡散モデルと強化学習を統合することにより、脳波(EEG)信号の合成に革新的なアプローチを導入する。 提案手法は, 時間的・スペクトル的特徴の詳細な脳波信号の生成を促進させ, 合成データセットの信頼性と多様性を向上する。
  論文  参考訳（メタデータ） (2024-09-14T07:22:31Z)
• Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
  本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。 このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。 その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
  論文  参考訳（メタデータ） (2024-07-22T10:31:07Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Synthesizing Affective Neurophysiological Signals Using Generative Models: A Review Paper [28.806992102323324]
  マシンにおける感情的知性の統合は、人間とコンピュータの相互作用を前進させる重要なステップである。 公的な感情的データセットの不足は、課題である。 我々は、神経生理学的信号におけるこの問題に対処するための生成モデルの使用を強調した。
  論文  参考訳（メタデータ） (2023-06-05T08:38:30Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• PhysioGAN: Training High Fidelity Generative Model for Physiological Sensor Readings [6.029263679246354]
  PHYSIOGANは高忠実性合成生理学的センサーデータ読取のための生成モデルである。 実世界の2つの異なるデータセット(ECG分類とモーションセンサーデータセットからのアクティビティ認識)を用いて、最先端技術と比較した。
  論文  参考訳（メタデータ） (2022-04-25T07:38:43Z)

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。