論文の概要: EEG-Based Consumer Behaviour Prediction: An Exploration from Classical Machine Learning to Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2509.21567v1
• Date: Thu, 25 Sep 2025 20:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.002882
• Title: EEG-Based Consumer Behaviour Prediction: An Exploration from Classical Machine Learning to Graph Neural Networks
• Title（参考訳）: EEGに基づく消費者行動予測:古典的機械学習からグラフニューラルネットワークへの探索
• Authors: Mohammad Parsa Afshar, Aryan Azimi,
• Abstract要約: 脳波(EEG)データは、脳の神経活動に関する詳細な情報を提供することで、意思決定プロセスを分析するのに役立つ。 古典モデルやグラフニューラルネットワークなど、さまざまな機械学習モデルを使用し、比較する。 結果は全体としては大きな違いは示さなかったが、GNNモデルは古典的モデルが満足できないいくつかの基本的な基準において、概して良好な性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction of consumer behavior is one of the important purposes in marketing, cognitive neuroscience, and human-computer interaction. The electroencephalography (EEG) data can help analyze the decision process by providing detailed information about the brain's neural activity. In this research, a comparative approach is utilized for predicting consumer behavior by EEG data. In the first step, the features of the EEG data from the NeuMa dataset were extracted and cleaned. For the Graph Neural Network (GNN) models, the brain connectivity features were created. Different machine learning models, such as classical models and Graph Neural Networks, are used and compared. The GNN models with different architectures are implemented to have a comprehensive comparison; furthermore, a wide range of classical models, such as ensemble models, are applied, which can be very helpful to show the difference and performance of each model on the dataset. Although the results did not show a significant difference overall, the GNN models generally performed better in some basic criteria where classical models were not satisfactory. This study not only shows that combining EEG signal analysis and machine learning models can provide an approach to deeper understanding of consumer behavior, but also provides a comprehensive comparison between the machine learning models that have been widely used in previous studies in the EEG-based neuromarketing such as Support Vector Machine (SVM), and the models which are not used or rarely used in the field, like Graph Neural Networks.
• Abstract（参考訳）: 消費者行動の予測は、マーケティング、認知神経科学、人間とコンピュータの相互作用において重要な目的の1つである。 脳波(EEG)データは、脳の神経活動に関する詳細な情報を提供することで、意思決定プロセスを分析するのに役立つ。 本研究では,脳波データによる消費者行動の予測に比較手法を用いた。 最初のステップでは、NeuMaデータセットからEEGデータの特徴を抽出し、クリーン化した。 グラフニューラルネットワーク(GNN)モデルでは、脳の接続機能が作成された。 古典モデルやグラフニューラルネットワークなど、さまざまな機械学習モデルを使用し、比較する。 異なるアーキテクチャを持つGNNモデルは、包括的な比較を行うために実装され、さらに、アンサンブルモデルのような幅広い古典モデルが適用され、データセット上の各モデルの違いと性能を示すのに非常に役立つ。 結果は全体としては大きな違いは示さなかったが、GNNモデルは古典的モデルが満足できないいくつかの基本的な基準において、概して良好な性能を示した。 この研究は、脳波信号分析と機械学習モデルを組み合わせることで、消費者の行動のより深い理解が可能になるだけでなく、サポートベクトルマシン(SVM)のような脳波ベースのニューロマーケティングにおいて、これまで広く用いられてきた機械学習モデルと、グラフニューラルネットワークのようなフィールドで使用されていない、あるいはほとんど使用されていないモデルとの包括的な比較を提供する。

関連論文リスト

• A brain-inspired generative model for EEG-based cognitive state identification [6.187646941506353]
  本稿では、インパルスアテンションニューラルネットワークと変分オートエンコーダを融合した脳誘発生成モデルを提案する。 勾配に基づく学習とヘテロ連想記憶を統合することによってモデルを訓練するためのハイブリッド学習法を提案する。 実験の結果,BIGモデルでは,最先端手法に匹敵する89%以上の分類精度が得られた。
  論文  参考訳（メタデータ） (2025-05-03T04:29:27Z)
• Neurosymbolic AI and its Taxonomy: a survey [48.7576911714538]
  ニューロシンボリックAIは、古典的なAIやニューラルネットワークのようなシンボリック処理を組み合わせたモデルを扱う。 本研究は近年,本分野の研究論文を調査し,提案モデルと応用モデルとの分類と比較を行った。
  論文  参考訳（メタデータ） (2023-05-12T19:51:13Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• Analyzing EEG Data with Machine and Deep Learning: A Benchmark [23.893444154059324]
  本稿では,脳波信号解析に焦点をあて,脳波信号分類のための機械学習と深層学習のベンチマークを文献で初めて行った。 実験では,多層パーセプトロン,畳み込みニューラルネットワーク,長期記憶,ゲートリカレントユニットの4つのモデルを用いた。
  論文  参考訳（メタデータ） (2022-03-18T15:18:55Z)
• Benchmarking Accuracy and Generalizability of Four Graph Neural Networks Using Large In Vitro ADME Datasets from Different Chemical Spaces [6.118940071203314]
  グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、メッセージパッシングニューラルネットワーク(MPNN)、注意フィンガープリント(AttentiveFP)の4種類について考察する。 すべてのGNNモデルは、指紋のみに基づく従来の低バーベンチマークモデルよりも大幅に優れている。 GATだけが、従来のベンチマークモデルよりも小さいが一貫した改善を提供するようだ。
  論文  参考訳（メタデータ） (2021-11-27T18:54:38Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。