論文の概要: Affect and Effect: Limitations of regularisation-based continual learning in EEG-based emotion classification

• arxiv url: http://arxiv.org/abs/2601.07858v1
• Date: Fri, 09 Jan 2026 17:09:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.875378
• Title: Affect and Effect: Limitations of regularisation-based continual learning in EEG-based emotion classification
• Title（参考訳）: 影響と効果:脳波による感情分類における正規化に基づく連続学習の限界
• Authors: Nina Peire, Yupei Li, Björn Schuller,
• Abstract要約: 脳波に基づく感情分類における未知の被験者への一般化は、高い物体間および物体内変動のため、依然として課題である。 正規化に基づく連続学習アプローチは、EEGに基づくCL研究のベースラインとして一般的に用いられる。 本研究は,脳波に基づく感情分類において,正規化に基づくCL法が限られた性能を示すことを理論的,実証的に見出した。
• 参考スコア（独自算出の注目度）: 0.38961828230212814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalisation to unseen subjects in EEG-based emotion classification remains a challenge due to high inter-and intra-subject variability. Continual learning (CL) poses a promising solution by learning from a sequence of tasks while mitigating catastrophic forgetting. Regularisation-based CL approaches, such as Elastic Weight Consolidation (EWC), Synaptic Intelligence (SI), and Memory Aware Synapses (MAS), are commonly used as baselines in EEG-based CL studies, yet their suitability for this problem remains underexplored. This study theoretically and empirically finds that regularisation-based CL methods show limited performance for EEG-based emotion classification on the DREAMER and SEED datasets. We identify a fundamental misalignment in the stability-plasticity trade-off, where regularisation-based methods prioritise mitigating catastrophic forgetting (backward transfer) over adapting to new subjects (forward transfer). We investigate this limitation under subject-incremental sequences and observe that: (1) the heuristics for estimating parameter importance become less reliable under noisy data and covariate shift, (2) gradients on parameters deemed important by these heuristics often interfere with gradient updates required for new subjects, moving optimisation away from the minimum, (3) importance values accumulated across tasks over-constrain the model, and (4) performance is sensitive to subject order. Forward transfer showed no statistically significant improvement over sequential fine-tuning (p > 0.05 across approaches and datasets). The high variability of EEG signals means past subjects provide limited value to future subjects. Regularisation-based continual learning approaches are therefore limited for robust generalisation to unseen subjects in EEG-based emotion classification.
• Abstract（参考訳）: 脳波に基づく感情分類における未知の被験者への一般化は、高い物体間および物体内変動のため、依然として課題である。 連続学習(CL)は、破滅的な忘れを緩和しながら一連のタスクから学習することで、有望な解決をもたらす。 正規化に基づくCLアプローチ、例えばElastic Weight Consolidation (EWC)、Synaptic Intelligence (SI)、Memory Aware Synapses (MAS) は、EEGベースのCL研究のベースラインとして一般的に使用されているが、この問題に対するそれらの適合性はまだ未定である。 本研究は,DREAMERおよびSEEDデータセット上での脳波に基づく感情分類において,正規化に基づくCL法が限られた性能を示すことを理論的および実証的に見出した。 安定・塑性トレードオフの基本的な相違点を特定し,新たな対象(前方移動)への適応よりも破滅的忘れ(後方移動)を緩和する正規化に基づく手法を優先する。 本研究では,(1)雑音データと共変量シフトの下でパラメータ重要度を推定するヒューリスティックスは信頼性が低下し,(2)これらのヒューリスティックによって重要視されるパラメータの勾配は,新しい被験者に必要な勾配更新にしばしば干渉し,(3)最小値から離れて,(3)タスク全体にわたって蓄積された重要値,(4)性能は課題順に敏感であることを示す。 前方移動は逐次微調整よりも統計的に有意な改善は得られなかった(p > 0.05)。 脳波信号の高変動は、過去の被験者が将来の被験者に限られた価値を提供することを意味する。 したがって、正規化に基づく連続学習アプローチは、脳波に基づく感情分類の未確認対象に頑健な一般化に限られる。

関連論文リスト

• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Decomposing the Entropy-Performance Exchange: The Missing Keys to Unlocking Effective Reinforcement Learning [106.68304931854038]
  検証可能な報酬付き強化学習(RLVR)は、大規模言語モデル(LLM)の推論能力を高めるために広く用いられている。 我々は,RLVRのエントロピー・パフォーマンス交換機構を,異なるレベルの粒度で系統的に解析する。 分析の結果, 上昇段階において, 負のサンプルのエントロピー減少は効果的な推論パターンの学習を促進することが明らかとなった。 プラトー段階では、学習効率は、低エントロピーのサンプルに存在する高エントロピートークンと、シーケンスの終端に位置するトークンと強く相関する。
  論文  参考訳（メタデータ） (2025-08-04T10:08:10Z)
• Commuting Distance Regularization for Timescale-Dependent Label Inconsistency in EEG Emotion Recognition [1.4499463058550683]
  脳波に基づく人間の感情認識のためのニューラルネットワークモデルのトレーニングにおいて、TsDLI(Timescale Dependent Label Inconsistency)がしばしば見過ごされる問題に対処する。 局所変動損失(LVL)と局所グローバル一貫性損失(LGCL)の2つの新しい正規化戦略を提案する。 その結果,提案手法は最先端のベースラインよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-15T01:22:14Z)
• Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
  ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
  論文  参考訳（メタデータ） (2025-06-24T06:03:49Z)
• EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。 本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
  論文  参考訳（メタデータ） (2025-06-14T05:19:58Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• 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)
• Temporal-Difference Variational Continual Learning [77.92320830700797]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• Continual Human Pose Estimation for Incremental Integration of Keypoints and Pose Variations [12.042768320132694]
  本稿では,連続的な学習課題として,データセット間のポーズ推定を再構成する。 我々は、破滅的な忘れを緩和するための確立された正規化に基づく手法に対して、この定式化をベンチマークする。 提案手法は,既存の正規化に基づく継続学習戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-30T16:29:30Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)

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。