論文の概要: Informed Bootstrap Augmentation Improves EEG Decoding

• arxiv url: http://arxiv.org/abs/2511.12073v1
• Date: Sat, 15 Nov 2025 07:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.587083
• Title: Informed Bootstrap Augmentation Improves EEG Decoding
• Title（参考訳）: Informed Bootstrap AugmentationがEEGデコーディングを改善した
• Authors: Woojae Jeong, Wenhui Cui, Kleanthis Avramidis, Takfarinas Medani, Shrikanth Narayanan, Richard Leahy,
• Abstract要約: 我々は、より信頼性の高い試行を優先し、高品質な追加サンプルを生成する重み付きブートストラップ手法を導入する。 条件によって、重み付きブートストラップにより、未重み付きと比較して復号精度が向上した(68.35%から71.25%まで)。 その結果、信頼性に基づく拡張により、より堅牢で差別的な脳波表現が得られることが示された。
• 参考スコア（独自算出の注目度）: 32.32799137951532
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electroencephalography (EEG) offers detailed access to neural dynamics but remains constrained by noise and trial-by-trial variability, limiting decoding performance in data-restricted or complex paradigms. Data augmentation is often employed to enhance feature representations, yet conventional uniform averaging overlooks differences in trial informativeness and can degrade representational quality. We introduce a weighted bootstrapping approach that prioritizes more reliable trials to generate higher-quality augmented samples. In a Sentence Evaluation paradigm, weights were computed from relative ERP differences and applied during probabilistic sampling and averaging. Across conditions, weighted bootstrapping improved decoding accuracy relative to unweighted (from 68.35% to 71.25% at best), demonstrating that emphasizing reliable trials strengthens representational quality. The results demonstrate that reliability-based augmentation yields more robust and discriminative EEG representations. The code is publicly available at https://github.com/lyricists/NeuroBootstrap.
• Abstract（参考訳）: 脳波検査(EEG)は神経力学への詳細なアクセスを提供するが、ノイズや試行錯誤によって制約され、データ制限や複雑なパラダイムにおける復号性能が制限される。 データ拡張は、しばしば特徴表現を強化するために使用されるが、従来の均一化は、試行錯誤の相違を見落とし、表現品質を劣化させる可能性がある。 我々は、より信頼性の高い試行を優先し、高品質な追加サンプルを生成する重み付きブートストラップ手法を導入する。 Sentence Evaluationのパラダイムでは、相対ERP差から重みを計算し、確率的サンプリングと平均化で適用した。 条件によって、重み付きブートストラップは非重み付き(68.35%から71.25%まで)の復号精度を改善し、信頼性の高い試行が表現品質を高めることを示した。 その結果、信頼性に基づく拡張により、より堅牢で差別的な脳波表現が得られることが示された。 コードはhttps://github.com/lyricists/NeuroBootstrapで公開されている。

関連論文リスト

• Learning from Heterogeneity: Generalizing Dynamic Facial Expression Recognition via Distributionally Robust Optimization [23.328511708942045]
  Heterogeneity-Aware Distributional Framework (HDF) は、時間周波数モデリングを強化し、ハードサンプルによる不均衡を軽減するために設計された。 時間周波数分散アテンションモジュール(DAM)は、時間的一貫性と周波数ロバスト性の両方をキャプチャする。 適応最適化モジュール 分散対応スケーリングモジュール (DSM) は、動的に分類と対照的な損失のバランスをとるために導入された。
  論文  参考訳（メタデータ） (2025-07-21T16:21:47Z)
• Variational Bayes image restoration with compressive autoencoders [6.689746581015932]
  逆問題の正規化は、計算イメージングにおいて最重要となる。 本研究では,まず,最先端生成モデルの代わりに変分オートエンコーダを提案する。 第2の貢献として、変分推論内で潜時推定を行う変分ベイズ潜時推定(VBLE)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-11-29T15:49:31Z)
• DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
  本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。 DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。 最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
  論文  参考訳（メタデータ） (2023-10-18T17:07:05Z)
• Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
  ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。 ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
  論文  参考訳（メタデータ） (2023-06-16T21:53:16Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• CCLF: A Contrastive-Curiosity-Driven Learning Framework for Sample-Efficient Reinforcement Learning [56.20123080771364]
  我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。 CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。 このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
  論文  参考訳（メタデータ） (2022-05-02T14:42:05Z)

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。