論文の概要: Lightweight Transformer for EEG Classification via Balanced Signed Graph Algorithm Unrolling

• arxiv url: http://arxiv.org/abs/2510.03027v1
• Date: Fri, 03 Oct 2025 14:08:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.416026
• Title: Lightweight Transformer for EEG Classification via Balanced Signed Graph Algorithm Unrolling
• Title（参考訳）: バランス付き符号付きグラフアルゴリズムによる脳波分類用軽量トランス
• Authors: Junyi Yao, Parham Eftekhar, Gene Cheung, Xujin Chris Liu, Yao Wang, Wei Hu,
• Abstract要約: EEG信号は、有限グラフ内の負のエッジによってうまくモデル化される固有の反相関を持つ。 我々は、バランスの取れた符号グラフ上の信号に対するスペクトル復調アルゴリズムをアンロールすることで、軽量で解釈可能なトランスフォーマーのようなニューラルネットを構築する。 実験により,本手法は,代表的なディープラーニング手法に匹敵する分類性能が得られた。
• 参考スコア（独自算出の注目度）: 22.934749236365178
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Samples of brain signals collected by EEG sensors have inherent anti-correlations that are well modeled by negative edges in a finite graph. To differentiate epilepsy patients from healthy subjects using collected EEG signals, we build lightweight and interpretable transformer-like neural nets by unrolling a spectral denoising algorithm for signals on a balanced signed graph -- graph with no cycles of odd number of negative edges. A balanced signed graph has well-defined frequencies that map to a corresponding positive graph via similarity transform of the graph Laplacian matrices. We implement an ideal low-pass filter efficiently on the mapped positive graph via Lanczos approximation, where the optimal cutoff frequency is learned from data. Given that two balanced signed graph denoisers learn posterior probabilities of two different signal classes during training, we evaluate their reconstruction errors for binary classification of EEG signals. Experiments show that our method achieves classification performance comparable to representative deep learning schemes, while employing dramatically fewer parameters.
• Abstract（参考訳）: 脳波センサーによって収集された脳信号のサンプルは、有限グラフ内の負のエッジによってモデル化された固有の反相関を持つ。 脳波信号を用いてててんかん患者と健常者とを区別するために、バランスの取れた符号グラフ(負のエッジの奇数の周期を持たないグラフ)上の信号のスペクトル分解アルゴリズムをアンロールすることで、軽量で解釈可能なトランスフォーマーのようなニューラルネットを構築します。 バランスの取れた符号付きグラフは、グラフラプラシア行列の類似性変換を通じて対応する正のグラフに写像する、明確に定義された周波数を持つ。 最適カットオフ周波数をデータから学習するLanczos近似を用いて、マッピングされた正グラフ上で理想のローパスフィルタを効率的に実装する。 脳波信号のバイナリ分類において,2つの異なる信号クラスの後部確率を2つのバランス付き符号付きグラフ復号器で学習することを考えると,その再構成誤差を評価できる。 実験により,本手法は,パラメータを劇的に減らしながら,代表的な深層学習手法に匹敵する分類性能が得られた。

関連論文リスト

• Signed Graph Learning: Algorithms and Theory [17.374356596021936]
  実世界のデータは、しばしばデータサンプル間の関係を通して表現され、グラフ構造を形成する。 現在のグラフ学習研究は主に符号なしグラフに焦点を当てている。 我々はスムーズな符号付きグラフ信号の集合をキャプチャする手法を開発した。
  論文  参考訳（メタデータ） (2025-07-13T17:33:26Z)
• Efficient Learning of Balanced Signed Graphs via Sparse Linear Programming [26.334739062500674]
  バランスの取れた符号グラフは、単純線型変換を通して対応する正のグラフの1つにマップする固有ベクトルを持つ。 データから直接、バランスの取れたラプラシアングラフを学習する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2025-06-02T16:09:51Z)
• DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
  本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。 実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-24T07:07:41Z)
• Smoothed Graph Contrastive Learning via Seamless Proximity Integration [30.247207861739245]
  グラフコントラスト学習(GCL)はノードペアを正と負に分類することでノード表現を整列させる。 SGCL(Smoothed Graph Contrastive Learning Model)を提案する。 提案したSGCLは,3つの異なる平滑化手法を取り入れることで,ノード対に付随するペナルティを対照的な損失で調整する。
  論文  参考訳（メタデータ） (2024-02-23T11:32:46Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Signed Graph Neural Networks: A Frequency Perspective [14.386571627652975]
  グラフ畳み込みネットワーク(GCN)は、正のリンクのみを含む符号なしグラフ用に設計されている。 我々は2つの異なる符号付きグラフニューラルネットワークを提案し、その1つは低周波情報のみを保持し、もう1つは高周波情報を保持する。
  論文  参考訳（メタデータ） (2022-08-15T16:42:18Z)
• Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance [63.203951161394265]
  現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
  論文  参考訳（メタデータ） (2021-07-26T17:19:02Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating Back-Propagation for Saliency Detection [54.98042023365694]
  本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。 提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
  論文  参考訳（メタデータ） (2020-07-23T18:47:36Z)

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。