論文の概要: Is Limited Participant Diversity Impeding EEG-based Machine Learning?

• arxiv url: http://arxiv.org/abs/2503.13497v1
• Date: Tue, 11 Mar 2025 12:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 19:50:36.313714
• Title: Is Limited Participant Diversity Impeding EEG-based Machine Learning?
• Title（参考訳）: 限られた参加者の多様性は脳波に基づく機械学習に影響を及ぼすか?
• Authors: Philipp Bomatter, Henry Gouk,
• Abstract要約: 脳波記録を小さなセグメントに分割してサンプル数を増やすのが一般的である。 我々はこれをマルチレベルデータ生成プロセスとして概念化し、モデル性能のスケーリング挙動について検討する。 次に、同じフレームワークを使用して、限られたデータ問題に対処するために設計されたさまざまなML戦略の有効性を調査します。
• 参考スコア（独自算出の注目度）: 12.258707843214946
• License:
• Abstract: The application of machine learning (ML) to electroencephalography (EEG) has great potential to advance both neuroscientific research and clinical applications. However, the generalisability and robustness of EEG-based ML models often hinge on the amount and diversity of training data. It is common practice to split EEG recordings into small segments, thereby increasing the number of samples substantially compared to the number of individual recordings or participants. We conceptualise this as a multi-level data generation process and investigate the scaling behaviour of model performance with respect to the overall sample size and the participant diversity through large-scale empirical studies. We then use the same framework to investigate the effectiveness of different ML strategies designed to address limited data problems: data augmentations and self-supervised learning. Our findings show that model performance scaling can be severely constrained by participant distribution shifts and provide actionable guidance for data collection and ML research.
• Abstract（参考訳）: 脳電図(EEG)への機械学習(ML)の応用は、神経科学研究と臨床応用の両方を前進させる大きな可能性を持っている。 しかし、EEGベースのMLモデルの汎用性と堅牢性は、トレーニングデータの量と多様性に左右されることが多い。 脳波記録を小さなセグメントに分割することで、個々の録音数や参加者数と比較してサンプル数を大幅に増やすことが一般的である。 我々はこれをマルチレベルデータ生成プロセスとして概念化し、大規模な実証実験を通して、サンプルサイズと参加者の多様性に関するモデル性能のスケーリング挙動について検討する。 次に、データ拡張と自己教師型学習という、限られたデータ問題に対処するために設計されたさまざまなML戦略の有効性を検討するために、同じフレームワークを使用します。 本研究は,参加者の分散シフトによってモデル性能のスケーリングが厳しく制限され,データ収集とML研究のための実用的なガイダンスを提供することを示す。

関連論文リスト

• dsLassoCov: a federated machine learning approach incorporating covariate control [3.2203047133326645]
  フェデレートされた学習は、地理的に分散したデータセットを使用して、機械学習モデルの直接的なプライバシ保護トレーニングを可能にする。 我々は、共変量効果を制御するために設計された機械学習アプローチであるdsLassoCovを紹介する。 モデルトレーニングにおいて, dsLassoCovは効率よく, 効果的にコンバウンディング効果を管理できることを実証した。
  論文  参考訳（メタデータ） (2024-12-11T00:03:52Z)
• EEGFormer: Towards Transferable and Interpretable Large-Scale EEG Foundation Model [39.363511340878624]
  大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。 本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
  論文  参考訳（メタデータ） (2024-01-11T17:36:24Z)
• Reducing Intraspecies and Interspecies Covariate Shift in Traumatic Brain Injury EEG of Humans and Mice Using Transfer Euclidean Alignment [4.264615907591813]
  被験者間の高いばらつきは、現実世界の分類タスクのための機械学習モデルをデプロイすることに関して、大きな課題となる。 そのような場合、特定のデータセットで例外的なパフォーマンスを示す機械学習モデルは、同じタスクに対して異なるデータセットに適用した場合、必ずしも同様の習熟度を示すとは限らない。 本稿では,人間の生体医学的データの堅牢性に対処し,深層学習モデルの訓練を行うトランスファーユークリッドアライメントについて紹介する。
  論文  参考訳（メタデータ） (2023-10-03T19:48:02Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• 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)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• Zero-shot meta-learning for small-scale data from human subjects [10.320654885121346]
  我々は,サンプル外テストデータに対する限られたトレーニングデータを用いて,新しい予測タスクに迅速に適応するフレームワークを開発した。 本モデルでは, 介入による遅延処理効果を学習し, 設計上はマルチタスク予測を自然に処理できる。 我々のモデルは、より広い人口への小型人間研究の一般化を向上するために重要である。
  論文  参考訳（メタデータ） (2022-03-29T17:42:04Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Knowledge Distillation for Brain Tumor Segmentation [0.0]
  本研究では,学習過程におけるモデルの性能とデータ量との関係について検討する。 追加データでトレーニングされた単一のモデルは、複数のモデルのアンサンブルに近いパフォーマンスを達成し、個々のメソッドより優れています。
  論文  参考訳（メタデータ） (2020-02-10T12:44:07Z)

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。