論文の概要: Self-Calibrating BCIs: Ranking and Recovery of Mental Targets Without Labels

• arxiv url: http://arxiv.org/abs/2506.11151v1
• Date: Wed, 11 Jun 2025 11:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.516553
• Title: Self-Calibrating BCIs: Ranking and Recovery of Mental Targets Without Labels
• Title（参考訳）: 自己校正型BCI:ラベルのないメンタルターゲットのランク付けと回復
• Authors: Jonathan Grizou, Carlos de la Torre-Ortiz, Tuukka Ruotsalo,
• Abstract要約: ラベル付きデータや事前学習されたデコーダにアクセスせずに、未知のメンタルターゲットを復元する最初のフレームワークとアルゴリズムを提示する。 自然主義的な顔画像実験により, CURSORは, 1) ラベル情報なしで人間の知覚的判断と相関する画像類似度, (2) 未知の精神目標に対する刺激のランク付け, (3) 未知の精神目標と区別できない新たな刺激を生成できることを示した。
• 参考スコア（独自算出の注目度）: 8.825892690031669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of recovering a mental target (e.g., an image of a face) that a participant has in mind from paired EEG (i.e., brain responses) and image (i.e., perceived faces) data collected during interactive sessions without access to labeled information. The problem has been previously explored with labeled data but not via self-calibration, where labeled data is unavailable. Here, we present the first framework and an algorithm, CURSOR, that learns to recover unknown mental targets without access to labeled data or pre-trained decoders. Our experiments on naturalistic images of faces demonstrate that CURSOR can (1) predict image similarity scores that correlate with human perceptual judgments without any label information, (2) use these scores to rank stimuli against an unknown mental target, and (3) generate new stimuli indistinguishable from the unknown mental target (validated via a user study, N=53).
• Abstract（参考訳）: 脳波(脳反応)と画像(知覚顔)から参加者が念頭に置いているメンタルターゲット(例えば顔の画像)を、ラベル付き情報にアクセスせずに対話的なセッション中に収集する問題を考える。 この問題はラベル付きデータでこれまで検討されてきたが、ラベル付きデータが利用できない自己校正は行っていない。 ここでは、ラベル付きデータや事前学習されたデコーダにアクセスすることなく、未知のメンタルターゲットを復元する、最初のフレームワークとアルゴリズムであるCURSORを提案する。 自然主義的な顔画像を用いた実験では,(1)ラベル情報のない人間の知覚的判断と相関する画像類似度スコア,(2)未知の精神目標に対する刺激のランク付け,(3)未知の精神目標と区別できない新たな刺激(ユーザスタディN=53。

関連論文リスト

• AI-Based Screening for Depression and Social Anxiety Through Eye Tracking: An Exploratory Study [1.7249361224827533]
  幸福感の低下はうつ病や不安障害と関連していることが多い。 本稿では、視覚的注意走査経路の分析により、感情障害のAIによるスクリーニングに新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-03-22T02:53:02Z)
• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• An Investigation on Non-Invasive Brain-Computer Interfaces: Emotiv Epoc+ Neuroheadset and Its Effectiveness [0.7734726150561089]
  人間の脳から直接人間の音声を、Facebook Reality Labとカリフォルニア大学サンフランシスコ校が導入したデジタルスクリーンにデコードする。 そこで我々は,脳-機械インタフェース(BMI)アプローチを用いて,ヒト脳を制御するビジョンプロジェクトについて検討した。 我々は、非侵襲的、挿入可能、低コストのBCIアプローチが、身体麻痺の患者だけでなく、脳を理解するための代替手段の焦点となると想定している。
  論文  参考訳（メタデータ） (2022-06-24T05:45:48Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• AutoNovel: Automatically Discovering and Learning Novel Visual Categories [138.80332861066287]
  本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。 我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
  論文  参考訳（メタデータ） (2021-06-29T11:12:16Z)
• Contrastive Unsupervised Learning for Speech Emotion Recognition [22.004507213531102]
  音声感情認識(SER)は、より自然な人間と機械のコミュニケーションを可能にする重要な技術である。 コントラスト予測符号化 (cpc) 法はラベルなしのデータセットから有意な表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-02-12T06:06:02Z)
• Do Saliency Models Detect Odd-One-Out Targets? New Datasets and Evaluations [15.374430656911498]
  本研究では,サリエンスの正準例と考えられるシングルトン検出について検討する。 ほぼすべてのサリエンシアルゴリズムは、合成画像や自然画像のシングルトンターゲットに適切に反応しないことを示す。
  論文  参考訳（メタデータ） (2020-05-13T20:59:53Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。