論文の概要: LibEMER: A novel benchmark and algorithms library for EEG-based Multimodal Emotion Recognition

• arxiv url: http://arxiv.org/abs/2509.19330v1
• Date: Sun, 14 Sep 2025 03:50:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.425508
• Title: LibEMER: A novel benchmark and algorithms library for EEG-based Multimodal Emotion Recognition
• Title（参考訳）: LibEMER:脳波に基づくマルチモーダル感情認識のための新しいベンチマークとアルゴリズムライブラリ
• Authors: Zejun Liu, Yunshan Chen, Chengxi Xie, Huan Liu,
• Abstract要約: 我々は、キュレートされたディープラーニング手法の完全な再現可能なPyTorch実装を提供する統合評価フレームワークLibEMERを紹介する。 このフレームワークは、2つの学習タスクにまたがる3つの広く使用されている公開データセットに対して、バイアスのないパフォーマンスアセスメントを可能にする。
• 参考スコア（独自算出の注目度）: 10.794817697058983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EEG-based multimodal emotion recognition(EMER) has gained significant attention and witnessed notable advancements, the inherent complexity of human neural systems has motivated substantial efforts toward multimodal approaches. However, this field currently suffers from three critical limitations: (i) the absence of open-source implementations. (ii) the lack of standardized and transparent benchmarks for fair performance analysis. (iii) in-depth discussion regarding main challenges and promising research directions is a notable scarcity. To address these challenges, we introduce LibEMER, a unified evaluation framework that provides fully reproducible PyTorch implementations of curated deep learning methods alongside standardized protocols for data preprocessing, model realization, and experimental setups. This framework enables unbiased performance assessment on three widely-used public datasets across two learning tasks. The open-source library is publicly accessible at: https://anonymous.4open.science/r/2025ULUIUBUEUMUEUR485384
• Abstract（参考訳）: 脳波に基づくマルチモーダル感情認識(EMER)が注目され、顕著な進歩が見られた。 しかし、現在この分野には3つの限界がある。 (i)オープンソース実装がないこと。 (ii) 公正なパフォーマンス分析のための標準および透明なベンチマークの欠如。 (三)主な課題と有望な研究方向性に関する深い議論は、顕著な不足である。 これらの課題に対処するために、データ前処理、モデル実現、実験的なセットアップのための標準化されたプロトコルと並行して、キュレートされたディープラーニングメソッドの完全再現可能なPyTorch実装を提供する統合評価フレームワークであるLibEMERを紹介する。 このフレームワークは、2つの学習タスクにまたがる3つの広く使用されている公開データセットに対して、バイアスのないパフォーマンスアセスメントを可能にする。 https://anonymous.4open.science/r/2025ULUIUBUEUEUR485384

関連論文リスト

• OpenUnlearning: Accelerating LLM Unlearning via Unified Benchmarking of Methods and Metrics [101.78963920333342]
  我々は,大規模言語モデル(LLM)のアンラーニング手法とメトリクスをベンチマークするための標準フレームワークであるOpenUnlearningを紹介する。 OpenUnlearningは、9つのアンラーニングアルゴリズムと16のさまざまな評価を3つの主要なベンチマークで統合する。 また、多様なアンラーニング手法をベンチマークし、広範囲な評価スイートとの比較分析を行う。
  論文  参考訳（メタデータ） (2025-06-14T20:16:37Z)
• Truth in the Few: High-Value Data Selection for Efficient Multi-Modal Reasoning [71.3533541927459]
  アクティベーション推論ポテンシャル(RAP)と呼ばれる新しいデータ選択パラダイムを提案する。 RAPは、真のマルチモーダル推論を刺激する各サンプルのポテンシャルを推定することで、認知サンプルを識別する。 我々のRAP法は、トレーニングデータの9.3%しか使用せず、計算コストを43%以上削減しながら、常に優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-06-05T08:40:24Z)
• Does Machine Unlearning Truly Remove Model Knowledge? A Framework for Auditing Unlearning in LLMs [58.24692529185971]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• EEG-based Multimodal Representation Learning for Emotion Recognition [26.257531037300325]
  本稿では,ビデオ,画像,音声などの従来のモダリティだけでなく,脳波データも組み込んだ新しいマルチモーダルフレームワークを提案する。 本フレームワークは,様々な入力サイズを柔軟に扱えるように設計されている。
  論文  参考訳（メタデータ） (2024-10-29T01:35:17Z)
• LibEER: A Comprehensive Benchmark and Algorithm Library for EEG-based Emotion Recognition [31.383215932044408]
  脳波に基づく感情認識(EER)は、人間の感情を理解し分析する可能性から注目されている。 この分野には、説得力のあるベンチマークと包括的なオープンソースライブラリが欠けている。 EERの公平な比較を容易にするために設計された総合ベンチマークおよびアルゴリズムライブラリであるLibEERを紹介する。
  論文  参考訳（メタデータ） (2024-10-13T07:51:39Z)
• A Semantic-Aware Multiple Access Scheme for Distributed, Dynamic 6G-Based Applications [14.51946231794179]
  本稿では,無線スペクトルへの多重アクセス問題に対する新しい定式化を提案する。 その目的は、$alpha$-fairnessメトリックを使用して、使い勝手のトレードオフを最適化することにある。 Semantic-Aware Multi-Agent Double and Dueling Deep Q-Learning (SAMA-D3QL) 手法を提案する。
  論文  参考訳（メタデータ） (2024-01-12T00:32:38Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)

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。