論文の概要: CRCC: Contrast-Based Robust Cross-Subject and Cross-Site Representation Learning for EEG

• arxiv url: http://arxiv.org/abs/2602.19138v1
• Date: Sun, 22 Feb 2026 12:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.498978
• Title: CRCC: Contrast-Based Robust Cross-Subject and Cross-Site Representation Learning for EEG
• Title（参考訳）: CRCC:脳波のためのコントラストに基づくロバストなクロスオブジェクトとクロスサイト表現学習
• Authors: Xiaobin Wong, Zhonghua Zhao, Haoran Guo, Zhengyi Liu, Yu Wu, Feng Yan, Zhiren Wang, Sen Song,
• Abstract要約: 我々は、バイアス分解型一般化問題として、クロスサイト臨床脳波学習を再構成する。 本稿では,エンコーダとデコーダを併用した2段階の訓練パラダイムであるCRCCを紹介する。 CRCCは、最先端のベースラインを一貫して上回り、厳密なゼロショットサイト転送の下で、バランスの取れた精度で10.7パーセントの改善を実現している。
• 参考スコア（独自算出の注目度）: 15.36196414041783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG-based neural decoding models often fail to generalize across acquisition sites due to structured, site-dependent biases implicitly exploited during training. We reformulate cross-site clinical EEG learning as a bias-factorized generalization problem, in which domain shifts arise from multiple interacting sources. We identify three fundamental bias factors and propose a general training framework that mitigates their influence through data standardization and representation-level constraints. We construct a standardized multi-site EEG benchmark for Major Depressive Disorder and introduce CRCC, a two-stage training paradigm combining encoder-decoder pretraining with joint fine-tuning via cross-subject/site contrastive learning and site-adversarial optimization. CRCC consistently outperforms state-of-the-art baselines and achieves a 10.7 percentage-point improvement in balanced accuracy under strict zero-shot site transfer, demonstrating robust generalization to unseen environments.
• Abstract（参考訳）: EEGベースのニューラルデコーディングモデルは、トレーニング中に暗黙的に悪用された構造化されたサイト依存バイアスのため、取得サイト全体での一般化に失敗することが多い。 我々は、複数の相互作用源からドメインシフトが生じるバイアス因子一般化問題として、クロスサイト臨床脳波学習を再構成する。 我々は3つの基本的なバイアス要因を特定し、データ標準化と表現レベルの制約を通じて影響を緩和する一般的なトレーニングフレームワークを提案する。 本研究では,大うつ病のための標準化されたマルチサイト脳波ベンチマークを構築し,クロスオブジェクト/サイトコントラスト学習とサイト・アドバイザリー最適化による共同微調整とエンコーダ・デコーダの事前学習を組み合わせた2段階トレーニングパラダイムであるCRCCを導入する。 CRCCは最先端のベースラインを一貫して上回り、厳密なゼロショットサイト転送の下でバランスの取れた精度を10.7ポイント改善し、目に見えない環境への堅牢な一般化を実証している。

関連論文リスト

• Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
  本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。 JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2026-01-19T08:12:47Z)
• A Theory-Inspired Framework for Few-Shot Cross-Modal Sketch Person Re-Identification [5.499165736807566]
  スケッチをベースとした人物の再識別は、手描きのスケッチとRGBの監視画像とをマッチングすることを目的としている。 KTCAAは,数発のクロスモーダル一般化のためのフレームワークである。 我々は,KTCAAが特にデータスカース条件下で,最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-11-24T01:26:46Z)
• Connecting Domains and Contrasting Samples: A Ladder for Domain Generalization [52.52838658375592]
  本稿では,ドメイン間の概念的接続性を高めるために,ドメイン接続型コントラスト学習(DCCL)を提案する。 データ側では、クラス内の接続性を改善するために、よりアグレッシブなデータ拡張とクロスドメインの陽性サンプルが導入されている。 その結果、DCCLはドメインの監督なしに最先端のベースラインを上回ることが確認された。
  論文  参考訳（メタデータ） (2025-10-19T04:13:29Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• Augmentation-induced Consistency Regularization for Classification [25.388324221293203]
  我々はCR-Augと呼ばれるデータ拡張に基づく一貫性の規則化フレームワークを提案する。 CR-Augは、データ拡張によって生成された異なるサブモデルの出力分布を互いに整合するように強制する。 画像と音声の分類タスクにCR-Augを実装し、その有効性を検証するために広範な実験を行う。
  論文  参考訳（メタデータ） (2022-05-25T03:15:36Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
  脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。 CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。 我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
  論文  参考訳（メタデータ） (2021-02-08T10:37:03Z)

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。