論文の概要: Cross-Modal Consistency-Guided Active Learning for Affective BCI Systems
- arxiv url: http://arxiv.org/abs/2511.15138v1
- Date: Wed, 19 Nov 2025 05:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.647416
- Title: Cross-Modal Consistency-Guided Active Learning for Affective BCI Systems
- Title（参考訳）: Affective BCIシステムのためのクロスモーダル一貫性誘導型アクティブラーニング
- Authors: Hyo-Jeong Jang, Hye-Bin Shin, Kang Yin,
- Abstract要約: ラベルノイズに対するロバスト性を高める不確実性を考慮したアクティブラーニングフレームワークを提案する。
脳波に基づく不確実性推定のみに頼るのではなく、クロスモーダルアライメントを評価する。
このフィードバック駆動プロセスは、ネットワークを信頼性のある情報的サンプルへと誘導し、ノイズラベルの影響を低減する。
- 参考スコア（独自算出の注目度）: 1.9556470931534158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models perform best with abundant, high-quality labels, yet such conditions are rarely achievable in EEG-based emotion recognition. Electroencephalogram (EEG) signals are easily corrupted by artifacts and individual variability, while emotional labels often stem from subjective and inconsistent reports-making robust affective decoding particularly difficult. We propose an uncertainty-aware active learning framework that enhances robustness to label noise by jointly leveraging model uncertainty and cross-modal consistency. Instead of relying solely on EEG-based uncertainty estimates, the method evaluates cross-modal alignment to determine whether uncertainty originates from cognitive ambiguity or sensor noise. A representation alignment module embeds EEG and face features into a shared latent space, enforcing semantic coherence between modalities. Residual discrepancies are treated as noise-induced inconsistencies, and these samples are selectively queried for oracle feedback during active learning. This feedback-driven process guides the network toward reliable, informative samples and reduces the impact of noisy labels. Experiments on the ASCERTAIN dataset examine the efficiency and robustness of ours, highlighting its potential as a data-efficient and noise-tolerant approach for EEG-based affective decoding in brain-computer interface systems.
- Abstract（参考訳）: ディープラーニングモデルは、豊富な高品質なラベルで最大限に機能するが、脳波に基づく感情認識では、そのような条件が達成されることは滅多にない。
心電図(EEG)信号は人工物や個人の変動によって容易に破損するが、感情的ラベルは主観的、一貫性のないレポート作成による堅牢な情緒的復号は特に困難である。
本稿では,モデル不確実性と相互整合性を両立させることにより,ラベルノイズに対する堅牢性を高める不確実性を考慮したアクティブラーニングフレームワークを提案する。
脳波に基づく不確実性の推定のみに頼る代わりに、この手法は、不確実性が認知的曖昧さやセンサノイズから生じるかどうかを決定するために、モーダルアライメントを評価する。
表現アライメントモジュールは、EEGと顔の特徴を共有潜在空間に埋め込み、モダリティ間のセマンティックコヒーレンスを強制する。
残差は雑音による不整合として扱われ、これらのサンプルは活発な学習中にオラクルフィードバックのために選択的にクエリされる。
このフィードバック駆動プロセスは、ネットワークを信頼性のある情報的サンプルへと誘導し、ノイズラベルの影響を低減する。
ASCERTAINデータセットの実験では、脳-コンピュータインタフェースシステムにおける脳波に基づく感情的デコードのためのデータ効率および耐雑音性アプローチとしての可能性を強調し、我々の効率性とロバスト性を検証した。
関連論文リスト
- Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。
我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
論文 参考訳（メタデータ） (2025-10-17T03:06:23Z) - Uncertainty-Aware Cross-Modal Knowledge Distillation with Prototype Learning for Multimodal Brain-Computer Interfaces [26.585985828583304]
マルチモーダル知識蒸留(KD)は視覚モデルから脳波モデルへ知識を伝達するために研究されている。
本稿では、あいまいな特徴と弱い定義されたラベルによって引き起こされる意味的不確実性に対処する。
本稿では,モダリティとラベルの不整合を緩和する新しいクロスモーダルな知識蒸留フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-17T13:03:20Z) - Robust Emotion Recognition via Bi-Level Self-Supervised Continual Learning [3.472622494096705]
クロスオブジェクトの変動性とノイズラベルは、感情認識モデルの性能を妨げる。
本稿では,動的メモリバッファをベースとした2段階の自己教師付き連続学習フレームワークSSOCLを提案する。
このバイレベルアーキテクチャは、動的バッファと擬似ラベルの割り当てを反復的に洗練し、代表サンプルを効果的に保持する。
高速適応モジュールとクラスタマッピングモジュールを含むフレームワークの主要なコンポーネントは、データストリームの堅牢な学習と効果的な処理を可能にする。
論文 参考訳（メタデータ） (2025-05-13T23:47:04Z) - LEL: A Novel Lipschitz Continuity-constrained Ensemble Learning Model for EEG-based Emotion Recognition [6.9292405290420005]
脳波に基づく感情認識を強化する新しいフレームワークであるLEL(Lipschitz continuity-constrained Ensemble Learning)を導入する。
3つの公開ベンチマークデータセットの実験結果は、LELの最先端性能を実証した。
論文 参考訳（メタデータ） (2025-04-12T09:41:23Z) - AEON: Adaptive Estimation of Instance-Dependent In-Distribution and Out-of-Distribution Label Noise for Robust Learning [17.397478141194778]
実世界のデータセットには、イン・ディストリビューション(ID)とアウト・オブ・ディストリビューション(OOD)のインスタンス依存ラベルノイズが混在することが多い。
本稿では,これらの研究ギャップに対処するために,インスタンス依存型In-DistributionとOut-of-Distribution Label Noise(AEON)の適応推定手法を提案する。
AEONは、インスタンス依存IDとOODラベルのノイズ率を動的に推定する効率的な1段階雑音ラベル学習手法である。
論文 参考訳（メタデータ） (2025-01-23T05:19:00Z) - Disentangled Noisy Correspondence Learning [56.06801962154915]
クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。
DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
論文 参考訳（メタデータ） (2024-08-10T09:49:55Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - Free Lunch for Domain Adversarial Training: Environment Label Smoothing [82.85757548355566]
環境ラベル平滑化 (ELS) により, 騒音環境ラベルに対するトレーニング安定性, 局所収束性, 堅牢性を向上する。
特に環境ラベルが騒がしい場合, 領域の一般化・適応タスクについて, 最先端の成果が得られる。
論文 参考訳（メタデータ） (2023-02-01T02:55:26Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-26T10:40:59Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z)
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。