論文の概要: Inter-Subject Variance Transfer Learning for EMG Pattern Classification Based on Bayesian Inference

• arxiv url: http://arxiv.org/abs/2505.15381v1
• Date: Wed, 21 May 2025 11:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.524282
• Title: Inter-Subject Variance Transfer Learning for EMG Pattern Classification Based on Bayesian Inference
• Title（参考訳）: ベイジアン推論に基づくEMGパターン分類のためのオブジェクト間分散変換学習
• Authors: Seitaro Yoneda, Akira Furui,
• Abstract要約: 筋電図に基づく運動認識では、被験者固有の分類器が十分なラベル付きデータで訓練されるのが一般的である。 本稿では,ベイズ的手法に基づく物体間分散伝達学習法を提案する。
• 参考スコア（独自算出の注目度）: 2.209921757303168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In electromyogram (EMG)-based motion recognition, a subject-specific classifier is typically trained with sufficient labeled data. However, this process demands extensive data collection over extended periods, burdening the subject. To address this, utilizing information from pre-training on multiple subjects for the training of the target subject could be beneficial. This paper proposes an inter-subject variance transfer learning method based on a Bayesian approach. This method is founded on the simple hypothesis that while the means of EMG features vary greatly across subjects, their variances may exhibit similar patterns. Our approach transfers variance information, acquired through pre-training on multiple source subjects, to a target subject within a Bayesian updating framework, thereby allowing accurate classification using limited target calibration data. A coefficient was also introduced to adjust the amount of information transferred for efficient transfer learning. Experimental evaluations using two EMG datasets demonstrated the effectiveness of our variance transfer strategy and its superiority compared to existing methods.
• Abstract（参考訳）: 筋電図に基づく運動認識では、被験者固有の分類器が十分なラベル付きデータで訓練されるのが一般的である。 しかし、このプロセスは長期にわたって広範囲なデータ収集を必要とし、対象を負担する。 これを解決するために,複数被験者の事前学習情報を利用して対象被験者の訓練を行う方が有益である。 本稿では,ベイズ的手法に基づく物体間分散伝達学習法を提案する。 この方法は、EMG特徴の手段は対象によって大きく異なるが、それらの分散は類似したパターンを示すという単純な仮説に基づいている。 提案手法は,複数音源の事前学習により得られた分散情報をベイズ更新フレームワーク内の対象物に転送し,限られた目標校正データを用いた正確な分類を可能にする。 また、効率的な伝達学習のための情報伝達量を調整するための係数も導入された。 2つのEMGデータセットを用いた実験により,既存手法と比較して分散伝達戦略の有効性と優位性を示した。

関連論文リスト

• Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification [4.588028371034407]
  MTSCに適用された属性手法の評価手法であるInterpretTimeの分析に焦点をあてる。 提案手法のいくつかの重大な弱点を示し,その精度と効率を改善するためのアイデアを提案する。 SHAPやFeature Ablationのような摂動に基づく手法は、データセットの集合でうまく機能する。
  論文  参考訳（メタデータ） (2024-06-18T11:18:46Z)
• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-09T02:32:57Z)
• Adaptive Dimension Reduction and Variational Inference for Transductive Few-Shot Classification [2.922007656878633]
  適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。 提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-09-18T10:29:02Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• Learning Robust Variational Information Bottleneck with Reference [12.743882133781598]
  変動情報ボトルネック(VIB)を訓練する新しいアプローチを提案し、その堅牢性を敵対的な摂動に改善する。 事前に訓練された参照ニューラルネットワークから得られるソフトラベルを用いて、トレーニングフェーズの分類クラス情報を洗練します。
  論文  参考訳（メタデータ） (2021-04-29T14:46:09Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• Bayesian Few-Shot Classification with One-vs-Each P\'olya-Gamma Augmented Gaussian Processes [7.6146285961466]
  FSC(Few-shot Classification)は、人間のような機械学習への道のりの重要なステップである。 P'olya-Gamma augmentation と one-vs-each softmax approximation の新たな組み合わせを提案する。 標準的な数ショット分類ベンチマークと数ショットドメイン転送タスクの両方において、精度の向上と不確かさの定量化を実証した。
  論文  参考訳（メタデータ） (2020-07-20T19:10:41Z)

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。