論文の概要: MATL-DC: A Multi-domain Aggregation Transfer Learning Framework for EEG Emotion Recognition with Domain-Class Prototype under Unseen Targets

• arxiv url: http://arxiv.org/abs/2509.01135v1
• Date: Mon, 01 Sep 2025 05:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.549764
• Title: MATL-DC: A Multi-domain Aggregation Transfer Learning Framework for EEG Emotion Recognition with Domain-Class Prototype under Unseen Targets
• Title（参考訳）: MATL-DC: 見えないターゲット下でのドメインクラスプロトタイプを用いた脳波認識のための多領域集約伝達学習フレームワーク
• Authors: Guangli Li, Canbiao Wu, Zhehao Zhou, Na Tian, Zhen Liang,
• Abstract要約: 未確認目標(MATL-DC)下での領域クラスプロトタイプを用いた脳波感情認識のための多領域アグリゲーション伝達学習フレームワークを提案する。 モデルトレーニング段階では、マルチドメイン集約機構がドメインの特徴空間を集約してスーパードメインを形成し、感情脳波信号の特性を高める。 推論段階では、トレーニング済みのドメインクラスのプロトタイプを推論に使用し、感情認識を実現する。
• 参考スコア（独自算出の注目度）: 4.391166523344503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion recognition based on electroencephalography (EEG) signals is increasingly becoming a key research hotspot in affective Brain-Computer Interfaces (aBCIs). However, the current transfer learning model greatly depends on the source domain and target domain data, which hinder the practical application of emotion recognition. Therefore, we propose a Multi-domain Aggregation Transfer Learning framework for EEG emotion recognition with Domain-Class prototype under unseen targets (MATL-DC). We design the feature decoupling module to decouple class-invariant domain features from domain-invariant class features from shallow features. In the model training stage, the multi-domain aggregation mechanism aggregates the domain feature space to form a superdomain, which enhances the characteristics of emotional EEG signals. In each superdomain, we further extract the class prototype representation by class features. In addition, we adopt the pairwise learning strategy to transform the sample classification problem into the similarity problem between sample pairs, which effectively alleviates the influence of label noise. It is worth noting that the target domain is completely unseen during the training process. In the inference stage, we use the trained domain-class prototypes for inference, and then realize emotion recognition. We rigorously validate it on the publicly available databases (SEED, SEED-IV and SEED-V). The results show that the accuracy of MATL-DC model is 84.70\%, 68.11\% and 61.08\%, respectively. MATL-DC achieves comparable or even better performance than methods that rely on both source and target domains. The source code is available at https://github.com/WuCB-BCI/MATL-DC.
• Abstract（参考訳）: 脳波(EEG)信号に基づく感情認識は、感情的脳-コンピュータインタフェース(aBCI)における重要な研究ホットスポットになりつつある。 しかし、現在の伝達学習モデルは、ソースドメインとターゲットドメインデータに大きく依存しており、感情認識の実践的応用を妨げている。 そこで本稿では,未確認目標 (MATL-DC) 下での領域クラスプロトタイプを用いた脳波感情認識のための多領域アグリゲーション伝達学習フレームワークを提案する。 クラス不変のドメイン機能とドメイン不変のクラス機能とを浅い機能から分離する機能分離モジュールを設計する。 モデルトレーニング段階では、マルチドメイン集約機構がドメインの特徴空間を集約してスーパードメインを形成し、感情脳波信号の特性を高める。 各スーパードメインにおいて、クラス特徴によるクラスプロトタイプ表現をさらに抽出する。 さらに、サンプル分類問題をサンプルペア間の類似性問題に変換するために、ペアワイズ学習方式を採用し、ラベルノイズの影響を効果的に軽減する。 トレーニングプロセス中にターゲットドメインが完全に見えないことに注意してください。 推論段階では、トレーニング済みのドメインクラスのプロトタイプを推論に使用し、感情認識を実現する。 一般に公開されているデータベース(SEED、SEED-IV、SEED-V)上で厳格に検証する。 その結果,MATL-DCモデルの精度は84.70\%,68.11\%,61.08\%であった。 MATL-DCは、ソースドメインとターゲットドメインの両方に依存するメソッドと同等またはそれ以上のパフォーマンスを達成する。 ソースコードはhttps://github.com/WuCB-BCI/MATL-DCで入手できる。

関連論文リスト

• ProtoGMM: Multi-prototype Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.8213829427624407]
  ドメイン適応型セマンティックセグメンテーションは、ラベルのないターゲットドメインに対して正確で高密度な予測を生成することを目的としている。 本稿では,GMMを比較学習に組み込んだProtoGMMモデルを提案する。 クラス間のセマンティックな類似性の向上,クラス間の類似性の低下,およびソースドメインとターゲットドメイン間のドメインアライメントを実現するために,マルチプロトタイプコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2024-06-27T14:50:50Z)
• Cross-Domain Policy Adaptation by Capturing Representation Mismatch [53.087413751430255]
  強化学習(RL)において、動的に異なる領域に移行できる効果的な政策を学ぶことが不可欠である。 本稿では、ソースドメインとターゲットドメインとの間に動的ミスマッチが存在する場合の動的適応設定について考察する。 対象領域でのみ表現学習を行い、ソース領域からの遷移における表現偏差を測定する。
  論文  参考訳（メタデータ） (2024-05-24T09:06:12Z)
• Maximizing Information in Domain-Invariant Representation Improves Transfer Learning [10.716812429325984]
  ドメイン適応(DA)技術は、データ表現をドメイン非依存表現(DIRep)とドメイン依存表現(DDRep)に分解する。 現在のDAアルゴリズム、例えばDomain-Separation Networks (DSN)は、この問題に適切に対処していない。 本研究では,DDRepにおける情報内容の最小化に強い制約を課し,対象ラベルに関する関連情報を保持するDIRepを作成するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-01T00:46:40Z)
• Meta-DMoE: Adapting to Domain Shift by Meta-Distillation from Mixture-of-Experts [33.21435044949033]
  既存のほとんどのメソッドは、単一のモデルを使って複数のソースドメインでトレーニングを行います。 本稿では,知識蒸留プロセスとして定式化された非教師なし試験時間適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-08T02:28:10Z)
• Domain Adaptation via Prompt Learning [39.97105851723885]
  Unsupervised Domain Adaption (UDA) は、十分にアノテーションされたソースドメインから学習したモデルをターゲットドメインに適応させることを目的としている。 我々は,Prompt Learning (DAPL) によるドメイン適応という,UDAのための新しいプロンプト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2022-02-14T13:25:46Z)
• Domain Attention Consistency for Multi-Source Domain Adaptation [100.25573559447551]
  主な設計は、伝達可能な特徴(属性)を識別することを目的とした機能チャネルアテンションモジュールである。 3つのMSDAベンチマーク実験により、DAC-Netは、それらすべてに対して、新たなパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2021-11-06T15:56:53Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)

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。