論文の概要: Rethinking Self-Training Based Cross-Subject Domain Adaptation for SSVEP Classification

• arxiv url: http://arxiv.org/abs/2601.21203v1
• Date: Thu, 29 Jan 2026 03:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.534963
• Title: Rethinking Self-Training Based Cross-Subject Domain Adaptation for SSVEP Classification
• Title（参考訳）: SSVEP分類のための自己学習に基づくクロスオブジェクトドメイン適応の再考
• Authors: Weiguang Wang, Yong Liu, Yingjie Gao, Guangyuan Xu,
• Abstract要約: 本稿では,自己学習パラダイムに基づくクロスオブジェクト領域適応手法を提案する。 具体的には、フィルタバンクユークリッドアライメント(FBEA)戦略は、SSVEPフィルタバンクからの周波数情報を利用するように設計されている。 そこで,本研究では,PTAL(Adversarial Learning)とDEST(Dual-Ensemble Self-Training)の2つの段階からなるクロスオブジェクト・セルフトレーニング(CSST)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.404309384526355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Steady-state visually evoked potentials (SSVEP)-based brain-computer interfaces (BCIs) are widely used due to their high signal-to-noise ratio and user-friendliness. Accurate decoding of SSVEP signals is crucial for interpreting user intentions in BCI applications. However, signal variability across subjects and the costly user-specific annotation limit recognition performance. Therefore, we propose a novel cross-subject domain adaptation method built upon the self-training paradigm. Specifically, a Filter-Bank Euclidean Alignment (FBEA) strategy is designed to exploit frequency information from SSVEP filter banks. Then, we propose a Cross-Subject Self-Training (CSST) framework consisting of two stages: Pre-Training with Adversarial Learning (PTAL), which aligns the source and target distributions, and Dual-Ensemble Self-Training (DEST), which refines pseudo-label quality. Moreover, we introduce a Time-Frequency Augmented Contrastive Learning (TFA-CL) module to enhance feature discriminability across multiple augmented views. Extensive experiments on the Benchmark and BETA datasets demonstrate that our approach achieves state-of-the-art performance across varying signal lengths, highlighting its superiority.
• Abstract（参考訳）: 定常視覚誘発電位(SSVEP)ベースの脳-コンピュータインタフェース(BCI)は、高い信号対雑音比とユーザフレンドリさのために広く利用されている。 SSVEP信号の正確な復号化は、BCIアプリケーションにおけるユーザの意図の解釈に不可欠である。 しかし、被験者間の信号のばらつきと、コストのかかるユーザ固有のアノテーションが認識性能を制限する。 そこで本研究では,自己学習パラダイムに基づくクロスオブジェクトドメイン適応手法を提案する。 具体的には、フィルタバンクユークリッドアライメント(FBEA)戦略は、SSVEPフィルタバンクからの周波数情報を利用するように設計されている。 そこで,本研究では,PTAL(Adversarial Learning)とDEST(Dual-Ensemble Self-Training)の2つの段階からなるクロスオブジェクト・セルフトレーニング(CSST)フレームワークを提案する。 さらに,TFA-CL(Time-Frequency Augmented Contrastive Learning)モジュールを導入した。 BenchmarkとBETAデータセットの大規模な実験は、我々のアプローチが様々な信号長にわたる最先端のパフォーマンスを実現し、その優位性を強調していることを示している。

関連論文リスト

• DART: Dual Adaptive Refinement Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
  Open-Vocabulary Multi-Label Recognition (OV-MLR)は、画像内の複数の見えないオブジェクトカテゴリを識別することを目的としている。 ビジョンランゲージ事前学習モデルは強力なオープン語彙基盤を提供するが、弱い監督下では微粒な局所化に苦慮する。 本稿では,これらの制約を克服するためのDART(Dual Adaptive Refinement Transfer)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-07T17:22:33Z)
• SSVEP-BiMA: Bifocal Masking Attention Leveraging Native and Symmetric-Antisymmetric Components for Robust SSVEP Decoding [22.552864992278316]
  定常視覚誘発電位(SSVEP)に基づく脳-コンピュータインタフェース(BCI)は、そのシンプルさと高情報伝達速度(ITR)において一般的なパラダイムである。 本稿では,SSVEPの復号化にネイティブおよび対称非対称成分を相乗的に活用するバイオ焦点マスキングアテンションベース手法(SSVEP-BiMA)を提案する。 提案手法は,2つの公開データセットに対して実験を行い,提案手法が精度とITRの両方においてベースラインアプローチを超えることを示した。
  論文  参考訳（メタデータ） (2025-02-16T04:58:59Z)
• Training Strategies for Isolated Sign Language Recognition [72.27323884094953]
  本稿では,孤立手話認識のための包括的モデル学習パイプラインを提案する。 構築されたパイプラインには、慎重に選択された画像とビデオの拡張が含まれており、低いデータ品質とさまざまなサインスピードの課題に対処している。
  論文  参考訳（メタデータ） (2024-12-16T08:37:58Z)
• Contrastive variational information bottleneck for aspect-based sentiment analysis [36.83876224466177]
  CVIB(Contrastive Variational Information Bottleneck)フレームワークを用いて,アスペクトベース感情分析(ABSA)の素早い相関性を低減することを提案する。 提案するCVIBフレームワークは,元のネットワークと自走ネットワークで構成され,これら2つのネットワークは,コントラスト学習によって同時に最適化される。 提案手法は, 全体的な予測性能, 堅牢性, 一般化の点で, 強力な競合相手よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-03-06T02:52:37Z)
• Short-length SSVEP data extension by a novel generative adversarial networks based framework [8.73426706739974]
  合成脳波(EEG)データを作成するためにGAN(Generative Adversarial Network)ベースのデータ生成法が広く採用されている。 本稿では,TEGANと呼ばれる時間ウィンドウ長拡張のためのGANベースのエンドツーエンド信号変換ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-01-13T15:04:32Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)

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。