論文の概要: EEG-D3: A Solution to the Hidden Overfitting Problem of Deep Learning Models

• arxiv url: http://arxiv.org/abs/2512.13806v1
• Date: Mon, 15 Dec 2025 19:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.452211
• Title: EEG-D3: A Solution to the Hidden Overfitting Problem of Deep Learning Models
• Title（参考訳）: EEG-D3:ディープラーニングモデルの隠れオーバーフィッティング問題の解法
• Authors: Siegfried Ludwig, Stylianos Bakas, Konstantinos Barmpas, Georgios Zoumpourlis, Dimitrios A. Adamos, Nikolaos Laskaris, Yannis Panagakis, Stefanos Zafeiriou,
• Abstract要約: 本稿では,脳波データセット間でのディープラーニングモデルをトレーニングする弱い教師付き手法であるDisentangled Decoding Decomposition (D3)を紹介する。 入力ウィンドウがサンプリングされた各トライアルシーケンスの場所を予測することで、EEG-D3は脳活動の潜伏成分を分離する。 我々は、線形分離可能な潜伏空間を利用して、睡眠段階分類における効果的な数ショット学習を行う。
• 参考スコア（独自算出の注目度）: 33.22173262655432
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning for decoding EEG signals has gained traction, with many claims to state-of-the-art accuracy. However, despite the convincing benchmark performance, successful translation to real applications is limited. The frequent disconnect between performance on controlled BCI benchmarks and its lack of generalisation to practical settings indicates hidden overfitting problems. We introduce Disentangled Decoding Decomposition (D3), a weakly supervised method for training deep learning models across EEG datasets. By predicting the place in the respective trial sequence from which the input window was sampled, EEG-D3 separates latent components of brain activity, akin to non-linear ICA. We utilise a novel model architecture with fully independent sub-networks for strict interpretability. We outline a feature interpretation paradigm to contrast the component activation profiles on different datasets and inspect the associated temporal and spatial filters. The proposed method reliably separates latent components of brain activity on motor imagery data. Training downstream classifiers on an appropriate subset of these components prevents hidden overfitting caused by task-correlated artefacts, which severely affects end-to-end classifiers. We further exploit the linearly separable latent space for effective few-shot learning on sleep stage classification. The ability to distinguish genuine components of brain activity from spurious features results in models that avoid the hidden overfitting problem and generalise well to real-world applications, while requiring only minimal labelled data. With interest to the neuroscience community, the proposed method gives researchers a tool to separate individual brain processes and potentially even uncover heretofore unknown dynamics.
• Abstract（参考訳）: 脳波信号を復号するための深層学習が注目を集めており、最先端の精度を主張する声も多い。 しかし、ベンチマークのパフォーマンスは説得力があるにもかかわらず、実際のアプリケーションへの翻訳の成功は限られている。 制御されたBCIベンチマークのパフォーマンスと実際の設定への一般化の欠如は、隠れた過度な問題を示している。 本稿では,脳波データセット間でのディープラーニングモデルをトレーニングする弱い教師付き手法であるDisentangled Decoding Decomposition (D3)を紹介する。 脳波-D3は、入力ウィンドウがサンプリングされた各臨床試験シーケンスの場所を予測することにより、非線形ICAと同様に、脳活動の潜伏成分を分離する。 完全独立サブネットワークを用いた新しいモデルアーキテクチャを厳密な解釈性に活用する。 本稿では,異なるデータセット上のコンポーネントアクティベーションプロファイルを対比する特徴解釈のパラダイムを概説し,関連する時間的および空間的フィルタを検査する。 提案手法は、運動画像データに基づいて、脳活動の潜伏成分を確実に分離する。 これらのコンポーネントの適切なサブセットで下流の分類器を訓練すると、タスク関連アーティファクトによる隠れオーバーフィッティングが防止され、エンドツーエンドの分類器に深刻な影響を及ぼす。 さらに、線形分離可能な潜伏空間を、睡眠段階分類における効果的な数ショット学習に活用する。 脳活動の真のコンポーネントと刺激的な特徴を区別する能力は、最小限のラベル付きデータしか必要とせず、隠されたオーバーフィッティングの問題を避け、現実世界のアプリケーションにうまく一般化するモデルをもたらす。 神経科学のコミュニティへの関心から、提案された手法は、研究者に個々の脳の過程を分離し、それ以前に未知のダイナミクスを発見できるツールを提供する。

関連論文リスト

• Towards a more realistic evaluation of machine learning models for bearing fault diagnosis [0.28873930745906956]
  本稿では,振動を用いた軸受故障診断におけるデータ漏洩問題とそのモデル評価への影響について検討する。 本研究では, 軸受データ分割に着目したリークフリー評価手法を提案し, トレーニングやテストに使用する物理部品の重複を防止した。 CWRU、パダーボーン大学(PU)、オタワ大学(UORED-VAF)の3つの広く採用されているデータセットに対する方法論の評価を行った。
  論文  参考訳（メタデータ） (2025-09-26T12:35:02Z)
• P3Net: Progressive and Periodic Perturbation for Semi-Supervised Medical Image Segmentation [60.08541107831459]
  本研究では,非ラベルデータの学習を支援するために,進行的かつ周期的な摂動機構(P3M)と境界中心の損失を提案する。 提案手法は,2つの2次元および3次元データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-21T05:35:28Z)
• M3D: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition [11.252832459891566]
  本稿では,M3D(Manifold-based Domain Adaptation with Dynamic Distribution)を提案する。 M3Dは、多様体特徴変換、動的分布アライメント、分類器学習、アンサンブル学習の4つの重要なモジュールで構成されている。 実験の結果,M3Dは平均4.47%の精度で従来の非深度学習法より優れていた。
  論文  参考訳（メタデータ） (2024-04-24T03:08:25Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• 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)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Factorization Approach for Sparse Spatio-Temporal Brain-Computer Interface [17.85507707727557]
  脳波信号の分解により,スパース条件下での豊かで決定的な特徴を抽出できることを示す。 単腕運動画像データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2022-06-17T00:30:43Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)

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。