論文の概要: Riemannian Geometry-Preserving Variational Autoencoder for MI-BCI Data Augmentation

• arxiv url: http://arxiv.org/abs/2603.10563v1
• Date: Wed, 11 Mar 2026 09:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.868431
• Title: Riemannian Geometry-Preserving Variational Autoencoder for MI-BCI Data Augmentation
• Title（参考訳）: リーマン幾何学-MI-BCIデータ増大のための変分オートエンコーダ
• Authors: Viktorija Poļaka, Ivo Pascal de Jong, Andreea Ioana Sburlea,
• Abstract要約: 本稿では,運動画像脳-コンピュータインタフェース(MI-BCI)応用のための合成脳波(EEG)共分散行列の作成という課題に対処する。 本稿では,幾何マッピングと複合損失関数を組み合わせた形状保存型変分オートエンコーダ(RGP-VAE)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the challenge of generating synthetic electroencephalogram (EEG) covariance matrices for motor imagery brain-computer interface (MI-BCI) applications. Objective: We aim to develop a generative model capable of producing high-fidelity synthetic covariance matrices while preserving their symmetric positive-definite nature. Approach: We propose a Riemannian geometry-preserving variational autoencoder (RGP-VAE) integrating geometric mappings with a composite loss function combining Riemannian distance, tangent space reconstruction accuracy and generative diversity. Results: The model generates valid, representative EEG covariance matrices, while learning a subject-invariant latent space. Synthetic data proves practically useful for MI-BCI, with its impact depending on the paired classifier. Contribution: This work introduces and validates the RGP-VAE as a geometry-preserving generative model for EEG covariance matrices, highlighting its potential for signal privacy, scalability and data augmentation.
• Abstract（参考訳）: 本稿では,運動画像脳-コンピュータインタフェース(MI-BCI)応用のための合成脳波(EEG)共分散行列の作成という課題に対処する。 目的: 対称正定性を維持しつつ, 高忠実度合成共分散行列を生成可能な生成モデルを開発することを目的とする。 アプローチ: リーマン距離, 接空間再構成精度, 生成多様性を組み合わせた複合損失関数と幾何写像を統合したリーマン幾何学保存変分オートエンコーダ(RGP-VAE)を提案する。 結果: モデルは主観不変な潜在空間を学習しながら, 有効で代表的なEEG共分散行列を生成する。 合成データはMI-BCIにとって実質的に有用であり、その影響はペア分類器に依存している。 コントリビューション: この研究は、RGP-VAEをEEG共分散行列の幾何保存生成モデルとして導入し、検証し、信号プライバシ、スケーラビリティ、データ拡張の可能性を強調します。

関連論文リスト

• Riemannian Flow Matching for Brain Connectivity Matrices via Pullback Geometry [31.81804424897497]
  DiffeoCFMは,行列のプルバック量に対して条件付きフローマッチング(CFM)を実現する手法である。 DiffeoCFM は 4600 以上のデータセットを持つような測定値と等価であることを示す。
  論文  参考訳（メタデータ） (2025-05-20T07:52:55Z)
• Geometry-Informed Neural Operator Transformer [0.8906214436849201]
  この研究は、Geometry-Informed Neural Operator Transformer (GINOT)を導入し、トランスフォーマーアーキテクチャとニューラルオペレータフレームワークを統合し、任意のジオメトリの前方予測を可能にする。 GINOTの性能は複数の挑戦的なデータセットで検証され、複雑で任意の2Dおよび3Dジオメトリに対して高い精度と強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-28T03:39:27Z)
• Single Domain Generalization with Model-aware Parametric Batch-wise Mixup [22.709796153794507]
  単一ドメインの一般化は、マシンラーニングの分野において、依然として深刻な課題である。 本稿では,モデル認識型パラメトリックバッチ・ワイド・ミックスアップ(Parametric Batch-wise Mixup)と呼ばれる新しいデータ拡張手法を提案する。 機能間相関を利用することで、パラメータ化されたミックスアップジェネレータは、複数のインスタンスにまたがる機能の組み合わせにおいて、さらなる汎用性を導入する。
  論文  参考訳（メタデータ） (2025-02-22T03:45:18Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Classification of BCI-EEG based on augmented covariance matrix [0.0]
  本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。 私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
  論文  参考訳（メタデータ） (2023-02-09T09:04:25Z)
• Unsupervised Learning Discriminative MIG Detectors in Nonhomogeneous Clutter [0.8984888893275712]
  主成分分析(PCA)は、高次元データをデータ分散を最大化する低次元空間にマッピングする。 PCAの原理にインスパイアされた新しいタイプの学習識別行列情報幾何(MIG)検出器を開発した。 3つの差別的なMIG検出器が、異なる幾何学的測度に関して説明されている。
  論文  参考訳（メタデータ） (2022-04-24T13:50:05Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。