論文の概要: ArtifactGen: Benchmarking WGAN-GP vs Diffusion for Label-Aware EEG Artifact Synthesis

• arxiv url: http://arxiv.org/abs/2509.08188v1
• Date: Tue, 09 Sep 2025 23:25:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.267068
• Title: ArtifactGen: Benchmarking WGAN-GP vs Diffusion for Label-Aware EEG Artifact Synthesis
• Title（参考訳）: ArtifactGen:ラベル対応脳波アーチファクト合成のためのWGAN-GPと拡散のベンチマーク
• Authors: Hritik Arasu, Faisal R Jahangiri,
• Abstract要約: エレクトロ脳波(EEG)の成果は、いまだに大規模なラベル付けに費用がかかる。 本研究では,現代の生成モデルが,拡張とストレステストに適した,現実的なラベル対応アーティファクトセグメントを合成できるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artifacts in electroencephalography (EEG) -- muscle, eye movement, electrode, chewing, and shiver -- confound automated analysis yet are costly to label at scale. We study whether modern generative models can synthesize realistic, label-aware artifact segments suitable for augmentation and stress-testing. Using the TUH EEG Artifact (TUAR) corpus, we curate subject-wise splits and fixed-length multi-channel windows (e.g., 250 samples) with preprocessing tailored to each model (per-window min--max for adversarial training; per-recording/channel $z$-score for diffusion). We compare a conditional WGAN-GP with a projection discriminator to a 1D denoising diffusion model with classifier-free guidance, and evaluate along three axes: (i) fidelity via Welch band-power deltas ($\Delta\delta,\ \Delta\theta,\ \Delta\alpha,\ \Delta\beta$), channel-covariance Frobenius distance, autocorrelation $L_2$, and distributional metrics (MMD/PRD); (ii) specificity via class-conditional recovery with lightweight $k$NN/classifiers; and (iii) utility via augmentation effects on artifact recognition. In our setting, WGAN-GP achieves closer spectral alignment and lower MMD to real data, while both models exhibit weak class-conditional recovery, limiting immediate augmentation gains and revealing opportunities for stronger conditioning and coverage. We release a reproducible pipeline -- data manifests, training configurations, and evaluation scripts -- to establish a baseline for EEG artifact synthesis and to surface actionable failure modes for future work.
• Abstract（参考訳）: 脳波検査(EEG)の成果(筋肉、眼球運動、電極、噛み、シバー)は、いまだに大規模なラベル付けに費用がかかる。 本研究では,現代の生成モデルが,拡張とストレステストに適した,現実的なラベル対応アーティファクトセグメントを合成できるかどうかを考察する。 TUH EEG Artifact (TUAR) コーパスを用いて、各モデルに適合する事前処理(対向訓練用ウィンドウ毎min-max、拡散用チャンネル毎$z$-score)で、主観的分割と固定長マルチチャネルウィンドウ(例:250サンプル)をキュレートする。 条件付きWGAN-GPとプロジェクション判別器を比較し,3軸に沿って評価する。 (i)Welchバンドパワーデルタ(\Delta\delta,\ \Delta\theta,\ \Delta\alpha,\ \Delta\beta$)、チャネル共分散フロベニウス距離、自己相関$L_2$、分散メトリクス(MMD/PRD)によるフィデリティ (ii)軽量$k$NN/classifierによるクラス条件回復による特異性 三 人工物認識に対する増補効果による実用性 我々の設定では、WGAN-GPはより近いスペクトルアライメントを実現し、MDDを実際のデータに低める一方、どちらのモデルもクラス条件の回復が弱く、即時増大のゲインを制限し、より強い条件付けとカバレッジの機会を明らかにする。 再現可能なパイプライン -- データマニフェスト、トレーニング設定、評価スクリプト -- をリリースして、EEGアーティファクト合成のベースラインを確立し、将来の作業のために実行可能な障害モードを提示します。

関連論文リスト

• MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection [30.77558600436759]
  本研究では,Math-Physモデル誘導による合成異常を生成する,新しい軽量パイプラインを提案する。 本手法は現実的な欠陥マスクを生成し,その後2段階に拡張した。 本手法を検証するために,MVTec AD, VisA, BTADの3つの異常検出ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2025-04-17T14:22:27Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Equipping Computational Pathology Systems with Artifact Processing Pipelines: A Showcase for Computation and Performance Trade-offs [0.7226586370054761]
  損傷組織, ぼかし, 折りたたみ組織, 気泡, 組織学的に無関係な血液を含む5つの重要な人工物を検出するための専門家(MoE)の混合手法を提案する。 2つのMoEと2つのマルチクラスモデルであるDCNNとビジョントランスフォーマーを用いたDLパイプラインを開発した。 提案されたMoEは86.15%のF1と97.93%の感度スコアを持ち、ViTを用いたMoEよりも推論の計算コストが低い。
  論文  参考訳（メタデータ） (2024-03-12T15:22:05Z)
• cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and Glitch Generation [0.7853804618032806]
  本稿では,複数の時間領域観測のクラスをシミュレートする手法として,ジェネレーティブ・アドリアック・ネットワーク・フレームワークに新しい条件モデルを提案する。 提案したcDVGANは,3つのクラスの特徴を再現する4種類のベースラインGANモデルより優れている。 実験の結果,cDVGAN生成データによる畳み込みニューラルネットワークのトレーニングにより,検出器ノイズに埋め込まれたサンプルの検出が向上することがわかった。
  論文  参考訳（メタデータ） (2024-01-29T17:59:26Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)

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。