論文の概要: HEDN: A Hard-Easy Dual Network with Task Difficulty Assessment for EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2511.06782v1
• Date: Mon, 10 Nov 2025 07:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.131385
• Title: HEDN: A Hard-Easy Dual Network with Task Difficulty Assessment for EEG Emotion Recognition
• Title（参考訳）: HEDN:脳波認識のためのタスク難易度評価機能付き2元ネットワーク
• Authors: Qiang Wang, Liying Yang,
• Abstract要約: マルチソース領域適応は、クロスオブジェクト脳波の感情認識における個人差に対処するための効果的なアプローチである。 既存の手法では、異なるソースドメインとターゲットドメイン間の異なる転送困難を無視して、すべてのソースドメインを均等に扱う。 本稿では,タスク難易度評価機構を用いて,動的に"ハードソース"と"イージーソース"を識別する新しいHard-Easy Dual Network(HEDN)を提案する。
• 参考スコア（独自算出の注目度）: 4.238454178348081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-source domain adaptation represents an effective approach to addressing individual differences in cross-subject EEG emotion recognition. However, existing methods treat all source domains equally, neglecting the varying transfer difficulties between different source domains and the target domain. This oversight can lead to suboptimal adaptation. To address this challenge, we propose a novel Hard-Easy Dual Network (HEDN), which dynamically identifies "Hard Source" and "Easy Source" through a Task Difficulty Assessment (TDA) mechanism and establishes two specialized knowledge adaptation branches. Specifically, the Hard Network is dedicated to handling "Hard Source" with higher transfer difficulty by aligning marginal distribution differences between source and target domains. Conversely, the Easy Network focuses on "Easy Source" with low transfer difficulty, utilizing a prototype classifier to model intra-class clustering structures while generating reliable pseudo-labels for the target domain through a prototype-guided label propagation algorithm. Extensive experiments on two benchmark datasets, SEED and SEED-IV, demonstrate that HEDN achieves state-of-the-art performance in cross-subject EEG emotion recognition, with average accuracies of 93.58\% on SEED and 79.82\% on SEED-IV, respectively. These results confirm the effectiveness and generalizability of HEDN in cross-subject EEG emotion recognition.
• Abstract（参考訳）: マルチソース領域適応は、クロスオブジェクト脳波の感情認識における個人差に対処するための効果的なアプローチである。 しかし、既存の手法では、異なるソースドメインとターゲットドメイン間の異なる転送困難を無視して、すべてのソースドメインを均等に扱う。 この監視は、最適以下の適応につながる可能性がある。 この課題に対処するために,タスク困難度評価(TDA)機構を用いて動的に"ハードソース"と"イージーソース"を識別し,2つの専門知識適応ブランチを確立する,新しいHard-Easy Dual Network(HEDN)を提案する。 具体的には、Hard Networkは、ソースとターゲットドメイン間の限界分布の違いを整合させることにより、転送難度の高い"ハードソース"の処理に重点を置いている。 逆に、Easy Networkは転送難度を低くした"Easy Source"に焦点を当て、プロトタイプの分類器を使用してクラス内のクラスタリング構造をモデル化し、プロトタイプ誘導ラベル伝搬アルゴリズムによりターゲットドメインに対する信頼性の高い擬似ラベルを生成する。 SEEDとSEED-IVの2つのベンチマークデータセットに対する大規模な実験により、HEDNは、SEED-IVでは平均93.58\%、SEED-IVでは79.82\%の精度で、クロスオブジェクトのEEG感情認識において最先端のパフォーマンスを達成することが示された。 これらの結果から,HEDNのクロスオブジェクト脳波感情認識における有効性と一般化性が確認された。

関連論文リスト

• DAMSDAN: Distribution-Aware Multi-Source Domain Adaptation Network for Cross-Domain EEG-based Emotion Recognition [19.010493629153288]
  感情認識のための分散型マルチソースドメイン適応ネットワーク(DAMSDAN)を提案する。 DAMSDANは、プロトタイプベースの制約と敵対学習を統合して、エンコーダを識別的、ドメイン不変な感情表現へと駆動する。 SEEDとSEED-IVの実験では、クロスオブジェクトは平均94.86%、79.78%、クロスセッションプロトコルは95.12%、83.15%である。
  論文  参考訳（メタデータ） (2025-10-20T12:18:46Z)
• BotTrans: A Multi-Source Graph Domain Adaptation Approach for Social Bot Detection [55.31623652907614]
  ソーシャルボットを検出するために,textitBotTrans というマルチソースグラフドメイン適応モデルを提案する。 まず、複数のソースネットワーク間で共有されるラベル付けの知識を活用して、クロスソースドメイントポロジを確立します。 次に、ソースノード埋め込みの識別性を高めるために、クロスドメイン隣の情報を集約する。
  論文  参考訳（メタデータ） (2025-06-12T02:10:36Z)
• Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition [19.578050094283313]
  DS-AGCフレームワークは、クロスオブジェクト脳波に基づく感情認識において、限定ラベル付きデータの課題に取り組むために提案されている。 提案手法は,不完全ラベル条件の異なる既存手法よりも優れている。
  論文  参考訳（メタデータ） (2023-08-13T23:54:40Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
  ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。 2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
  論文  参考訳（メタデータ） (2023-03-27T12:02:33Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)

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。