論文の概要: Towards Open-Set Myoelectric Gesture Recognition via Dual-Perspective Inconsistency Learning

• arxiv url: http://arxiv.org/abs/2511.08344v1
• Date: Wed, 12 Nov 2025 01:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.770565
• Title: Towards Open-Set Myoelectric Gesture Recognition via Dual-Perspective Inconsistency Learning
• Title（参考訳）: デュアルパースペクティブ不整合学習によるオープンセット筋電図認識に向けて
• Authors: Chen Liu, Can Han, Weishi Xu, Yaqi Wang, Dahong Qian,
• Abstract要約: 表面筋電図に基づくジェスチャー認識はヒトと機械の相互作用(HMI)において重要な役割を果たす データ拡張は、トレーニングデータのサイズと多様性を高めるための有望なアプローチを提供する。 Sparse-Aware Semantic-Guided Diffusion Augmentation (SASG-DA)を提案する。
• 参考スコア（独自算出の注目度）: 8.027276175836837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface electromyography (sEMG)-based gesture recognition plays a critical role in human-machine interaction (HMI), particularly for rehabilitation and prosthetic control. However, sEMG-based systems often suffer from the scarcity of informative training data, leading to overfitting and poor generalization in deep learning models. Data augmentation offers a promising approach to increasing the size and diversity of training data, where faithfulness and diversity are two critical factors to effectiveness. However, promoting untargeted diversity can result in redundant samples with limited utility. To address these challenges, we propose a novel diffusion-based data augmentation approach, Sparse-Aware Semantic-Guided Diffusion Augmentation (SASG-DA). To enhance generation faithfulness, we introduce the Semantic Representation Guidance (SRG) mechanism by leveraging fine-grained, task-aware semantic representations as generation conditions. To enable flexible and diverse sample generation, we propose a Gaussian Modeling Semantic Modeling (GMSS) strategy, which models the semantic representation distribution and allows stochastic sampling to produce both faithful and diverse samples. To enhance targeted diversity, we further introduce a Sparse-Aware Semantic Sampling strategy to explicitly explore underrepresented regions, improving distribution coverage and sample utility. Extensive experiments on benchmark sEMG datasets, Ninapro DB2, DB4, and DB7, demonstrate that SASG-DA significantly outperforms existing augmentation methods. Overall, our proposed data augmentation approach effectively mitigates overfitting and improves recognition performance and generalization by offering both faithful and diverse samples.
• Abstract（参考訳）: 表面筋電図(sEMG)に基づくジェスチャー認識はヒトと機械の相互作用(HMI)において重要な役割を担っている。 しかし、sEMGベースのシステムは、情報的トレーニングデータの不足に悩まされ、深層学習モデルの過度な適合と一般化に繋がる。 データ拡張は、トレーニングデータのサイズと多様性を高めるための有望なアプローチを提供する。 しかし、未目標の多様性の促進は、実用性に制限のある冗長なサンプルをもたらす可能性がある。 これらの課題に対処するために,新しい拡散型データ拡張手法であるスパース・アウェア・セマンティック・ガイド付き拡散拡張(SASG-DA)を提案する。 生成の忠実度を高めるために,細粒度でタスク対応のセマンティック表現を生成条件として活用することにより,セマンティック表現誘導(SRG)機構を導入する。 フレキシブルで多様なサンプル生成を実現するために,意味表現分布をモデル化し,確率的サンプリングが忠実かつ多様なサンプルを生成するガウス的モデリングセマンティックモデリング(GMSS)戦略を提案する。 対象の多様性を高めるため,スパース・アウェア・セマンティック・サンプリング・ストラテジーを導入し,未表現領域を明示的に探索し,分布範囲とサンプルユーティリティを改善した。 ベンチマークsEMGデータセット(Ninapro DB2、DB4、DB7)の大規模な実験により、SASG-DAが既存の拡張手法を著しく上回ることを示した。 全体として、提案するデータ拡張手法は、忠実かつ多様なサンプルを提供することで、過剰適合を効果的に軽減し、認識性能と一般化を改善する。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Adaptive Dual-Mode Distillation with Incentive Schemes for Scalable, Heterogeneous Federated Learning on Non-IID Data [0.7880536261408863]
  Federated Learning(FL)は、ユーザプライバシを損なうことなく分散データの使用を可能にする、有望な分散学習(DL)アプローチとして登場した。 すべてのクライアントが同じ機械学習モデルをトレーニングできると仮定されるが、ビジネスニーズと計算資源の違いにより、すべてのクライアントがこの仮定を満たすことはできない。 統計的不均一性の文脈における効率、プライバシー保護、コミュニケーション効率の学習を容易にするDL-SHと、統計的格差に対処しながら完全に異種モデルを管理するためのDL-MHと、インセンティブに基づくインセンティブベースの拡張であるI-DL-MHを提案する。
  論文  参考訳（メタデータ） (2025-09-26T15:48:14Z)
• Exploiting Gaussian Agnostic Representation Learning with Diffusion Priors for Enhanced Infrared Small Target Detection [7.396538084901484]
  赤外線小目標検出(ISTD)は多くの実用化において重要な役割を担っている。 性能境界を決定するために、研究者は大規模で高価な手動ラベルデータを用いて表現学習を行う。 このアプローチは、最先端のISTDメソッドが現実世界の課題において非常に脆弱であることを示す。
  論文  参考訳（メタデータ） (2025-07-24T10:03:33Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
  G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。 G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。 分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
  論文  参考訳（メタデータ） (2020-04-24T06:12:10Z)

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。