論文の概要: ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks

• arxiv url: http://arxiv.org/abs/2501.18089v1
• Date: Thu, 30 Jan 2025 02:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:15:35.700249
• Title: ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks
• Title（参考訳）: ISAM-MTL:識別可能なスパイクと連想記憶ネットワークを用いたクロスオブジェクトマルチタスク学習モデル
• Authors: Junyan Li, Bin Hu, Zhi-Hong Guan,
• Abstract要約: 脳波のクロスオブジェクト変動は、現在のディープラーニングモデルの性能を低下させる。 本稿では,識別可能なスパイキング(IS)表現と連想メモリ(AM)ネットワークに基づくマルチタスク学習(MTL)脳波分類モデルISAM-MTLを提案する。
• 参考スコア（独自算出の注目度）: 6.240145569484483
• License:
• Abstract: Cross-subject variability in EEG degrades performance of current deep learning models, limiting the development of brain-computer interface (BCI). This paper proposes ISAM-MTL, which is a multi-task learning (MTL) EEG classification model based on identifiable spiking (IS) representations and associative memory (AM) networks. The proposed model treats EEG classification of each subject as an independent task and leverages cross-subject data training to facilitate feature sharing across subjects. ISAM-MTL consists of a spiking feature extractor that captures shared features across subjects and a subject-specific bidirectional associative memory network that is trained by Hebbian learning for efficient and fast within-subject EEG classification. ISAM-MTL integrates learned spiking neural representations with bidirectional associative memory for cross-subject EEG classification. The model employs label-guided variational inference to construct identifiable spike representations, enhancing classification accuracy. Experimental results on two BCI Competition datasets demonstrate that ISAM-MTL improves the average accuracy of cross-subject EEG classification while reducing performance variability among subjects. The model further exhibits the characteristics of few-shot learning and identifiable neural activity beneath EEG, enabling rapid and interpretable calibration for BCI systems.
• Abstract（参考訳）: 脳波のクロスオブジェクト変動は、現在のディープラーニングモデルの性能を低下させ、脳-コンピュータインターフェース(BCI)の開発を制限する。 本稿では,識別可能なスパイキング(IS)表現と連想メモリ(AM)ネットワークに基づくマルチタスク学習(MTL)脳波分類モデルISAM-MTLを提案する。 提案モデルでは、各被験者の脳波を独立したタスクとして扱うとともに、オブジェクト間データトレーニングを活用して、被験者間の特徴共有を容易にする。 ISAM-MTLは、被験者間で共有された特徴をキャプチャするスパイク特徴抽出器と、ヘビアンラーニングによって訓練され、高速かつ高速な物体内脳波分類を行う主観的双方向連想記憶ネットワークから構成される。 ISAM-MTLは、学習されたスパイキング神経表現と双方向連想記憶を統合して、クロスオブジェクト脳波分類を行う。 このモデルはラベル誘導変分推論を用いて識別可能なスパイク表現を構築し、分類精度を向上する。 2つのBCIコンペティションデータセットによる実験結果から、ISAM-MTLは、被験者間の性能変動を低減しつつ、クロスオブジェクト脳波分類の平均精度を改善することが示された。 このモデルはさらに、脳波の下でのわずかな学習と識別可能な神経活動の特徴を示し、BCIシステムの迅速かつ解釈可能な校正を可能にしている。

関連論文リスト

• AM-MTEEG: Multi-task EEG classification based on impulsive associative memory [6.240145569484483]
  本研究では,ヒト海馬における学習と記憶の原理に着想を得たマルチタスク分類モデルAM-MTEEGを提案する。 このモデルは個々の脳波を独立したタスクとして扱い、個人間での機能共有を促進する。 2つのBCIコンペティションデータセットによる実験結果から,我々のモデルでは最先端モデルと比較して平均精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-09-27T01:33:45Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。 PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition [0.862468061241377]
  本稿では,感情認識のためのソフトコントラスト・マスケッド・モデリング(SCMM)フレームワークを提案する。 SCMMはソフトコントラスト学習と新しいハイブリッドマスキング戦略を統合し、人間の感情に固有の「短期連続性」特性を効果的にマイニングする。 実験の結果、SCMMは最先端(SOTA)の性能を達成し、平均4.26%の精度で2番目に良い方法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-17T12:35:13Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Open-Vocabulary SAM: Segment and Recognize Twenty-thousand Classes Interactively [69.97238935096094]
  Open-Vocabulary SAMはSAMにインスパイアされたモデルであり、対話的なセグメンテーションと認識のために設計されている。 約22,000のクラスを分類・認識できる。
  論文  参考訳（メタデータ） (2024-01-05T18:59:22Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model [0.8250892979520543]
  単一チャネル脳波信号からの主観的非依存的眠気認識のための新しい畳み込みニューラルネットワーク(CNN)-Long Short-Term Memory(LSTM)モデルを提案する。 その結果, 公立データセット上での被写体独立性認識において, 11人の被写体の平均精度は72.97%であった。
  論文  参考訳（メタデータ） (2021-11-21T10:37:35Z)
• 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)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。