論文の概要: Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation

• arxiv url: http://arxiv.org/abs/2504.03707v1
• Date: Wed, 26 Mar 2025 14:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:23:22.917907
• Title: Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation
• Title（参考訳）: 実践的感情認識に向けて:脳波領域適応のための教師なしソースフリーアプローチ
• Authors: Md Niaz Imtiaz, Naimul Khan,
• Abstract要約: 本稿では,領域間における脳波に基づく感情分類のための新しいSF-UDA手法を提案する。 本稿では,Dual-Loss Adaptive Regularization (DLAR)を導入し,予測誤差を最小化し,予測を疑似ラベルと整合させる。 我々の手法は最先端の手法よりも優れており、DEAでトレーニングし、SEEDでテストすると65.84%の精度が達成される。
• 参考スコア（独自算出の注目度）: 0.5755004576310334
• License:
• Abstract: Emotion recognition is crucial for advancing mental health, healthcare, and technologies like brain-computer interfaces (BCIs). However, EEG-based emotion recognition models face challenges in cross-domain applications due to the high cost of labeled data and variations in EEG signals from individual differences and recording conditions. Unsupervised domain adaptation methods typically require access to source domain data, which may not always be feasible in real-world scenarios due to privacy and computational constraints. Source-free unsupervised domain adaptation (SF-UDA) has recently emerged as a solution, enabling target domain adaptation without source data, but its application in emotion recognition remains unexplored. We propose a novel SF-UDA approach for EEG-based emotion classification across domains, introducing a multi-stage framework that enhances model adaptability without requiring source data. Our approach incorporates Dual-Loss Adaptive Regularization (DLAR) to minimize prediction discrepancies on confident samples and align predictions with expected pseudo-labels. Additionally, we introduce Localized Consistency Learning (LCL), which enforces local consistency by promoting similar predictions from reliable neighbors. These techniques together address domain shift and reduce the impact of noisy pseudo-labels, a key challenge in traditional SF-UDA models. Experiments on two widely used datasets, DEAP and SEED, demonstrate the effectiveness of our method. Our approach significantly outperforms state-of-the-art methods, achieving 65.84% accuracy when trained on DEAP and tested on SEED, and 58.99% accuracy in the reverse scenario. It excels at detecting both positive and negative emotions, making it well-suited for practical emotion recognition applications.
• Abstract（参考訳）: 感情認識は、メンタルヘルス、ヘルスケア、脳-コンピュータインターフェース(BCI)のような技術の発展に不可欠である。 しかし、脳波に基づく感情認識モデルは、ラベル付きデータの高コスト化や、個人差や記録条件による脳波信号の変化により、クロスドメインアプリケーションにおいて課題に直面している。 教師なしのドメイン適応手法は典型的にはソースドメインデータへのアクセスを必要とするが、プライバシーや計算上の制約のため、現実のシナリオでは必ずしも実現できない。 ソースフリーな非教師なしドメイン適応(SF-UDA)は、最近、ソースデータなしでターゲットドメイン適応を可能にするソリューションとして登場したが、その感情認識への応用はまだ検討されていない。 脳波に基づく感情分類のための新しいSF-UDAアプローチを提案し、ソースデータを必要としないモデル適応性を高める多段階フレームワークを提案する。 提案手法では,Dual-Loss Adaptive Regularization (DLAR)を導入し,信頼度の高いサンプルに対する予測の相違を最小化し,予測を疑似ラベルと整合させる。 さらに,局所一貫性学習(Localized Consistency Learning, LCL)を導入する。 これらのテクニックはドメインシフトに対処し、従来のSF-UDAモデルにおいて重要な課題であるノイズの多い擬似ラベルの影響を低減する。 広く使われている2つのデータセットであるDEAPとSEEDの実験により,本手法の有効性が示された。 我々の手法は最先端の手法よりも優れており、DEAPでトレーニングしSEEDでテストすると65.84%の精度、逆シナリオでは58.99%の精度を実現している。 肯定的感情と否定的感情の両方を検知し、実用的な感情認識アプリケーションに適している。

関連論文リスト

• Fuzzy-aware Loss for Source-free Domain Adaptation in Visual Emotion Recognition [17.617780698468465]
  視覚的感情認識におけるソースフリードメイン適応(SFDA-VER)は非常に難しい課題である。 本稿では,新たなファジィ・アウェア・ロス(FAL)を提案する。
  論文  参考訳（メタデータ） (2025-01-26T13:20:52Z)
• Bridge then Begin Anew: Generating Target-relevant Intermediate Model for Source-free Visual Emotion Adaptation [22.638915084704344]
  視覚的感情認識(VER)は、人間の異なる視覚刺激に対する感情反応を理解することを目的としている。 ドメイン適応は、ラベル付きソースデータでトレーニングされたモデルをラベルなしターゲットデータに適応させることによって、代替ソリューションを提供する。 プライバシー上の懸念から、ソースの感情的なデータはアクセスできない可能性がある。 本稿では、ドメインブリッジモデル生成(DMG)とターゲットモデル適応(TMA)の2つのステップからなる新しいフレームワークであるBridge then Begin Anew(BBA)を提案する。
  論文  参考訳（メタデータ） (2024-12-18T07:51:35Z)
• Towards Subject Agnostic Affective Emotion Recognition [8.142798657174332]
  脳波信号による脳-コンピュータインタフェース(aBCI)の不安定性 本稿では,メタラーニングに基づくメタドメイン適応手法を提案する。 提案手法は,パブリックなaBICsデータセットの実験において有効であることが示されている。
  論文  参考訳（メタデータ） (2023-10-20T23:44:34Z)
• Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition [19.578050094283313]
  DS-AGCフレームワークは、クロスオブジェクト脳波に基づく感情認識において、限定ラベル付きデータの課題に取り組むために提案されている。 提案手法は,不完全ラベル条件の異なる既存手法よりも優れている。
  論文  参考訳（メタデータ） (2023-08-13T23:54:40Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• 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)
• Boosting Cross-Domain Speech Recognition with Self-Supervision [35.01508881708751]
  自動音声認識(ASR)のクロスドメイン性能は,トレーニングとテストのミスマッチにより著しく損なわれる可能性がある。 従来, 自己監督学習 (SSL) や擬似ラベル学習 (PL) は, 未ラベルデータの自己監督を利用してUDAに有効であることが示された。 この研究は、事前学習および微調整のパラダイムにおいて、ラベルなしデータを完全に活用する体系的なUDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-20T14:02:53Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。