論文の概要: The Challenge of Out-Of-Distribution Detection in Motor Imagery BCIs

• arxiv url: http://arxiv.org/abs/2603.13324v1
• Date: Wed, 04 Mar 2026 16:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.305261
• Title: The Challenge of Out-Of-Distribution Detection in Motor Imagery BCIs
• Title（参考訳）: モータ画像BCIにおける外部分布検出の課題
• Authors: Merlijn Quincent Mulder, Matias Valdenegro-Toro, Andreea Ioana Sburlea, Ivo Pascal de Jong,
• Abstract要約: 我々は,脳-コンピュータ・インタフェースにおけるOODの検出について,いくつかのクラスでモデルのトレーニングを行い,不確実性の増加に基づいて不慣れなクラスを検出できるかどうかを調べる。 脳-コンピュータインタフェースのOOD検出は、脳波信号の分類に固有の不確実性が高いため、他の機械学習領域よりも困難である。 高分散分類性能は高いOOD検出性能を予測し、精度の向上がロバスト性の向上につながることを示唆している。
• 参考スコア（独自算出の注目度）: 7.478056407323783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning classifiers used in Brain-Computer Interfaces make classifications based on the distribution of data they were trained on. When they need to make inferences on samples that fall outside of this distribution, they can only make blind guesses. Instead of allowing random guesses, these Out-of-Distribution (OOD) samples should be detected and rejected. We study OOD detection in Motor Imagery BCIs by training a model on some classes and observing whether unfamiliar classes can be detected based on increased uncertainty. We test seven different OOD detection techniques and one more method that has been claimed to boost the quality of OOD detection. Our findings show that OOD detection for Brain-Computer Interfaces is more challenging than in other machine learning domains due to the high uncertainty inherent in classifying EEG signals. For many subjects, uncertainty for in-distribution classes can still be higher than for out-of-distribution classes. As a result, many OOD detection methods prove to be ineffective, though MC Dropout performed best. Additionally, we show that high in-distribution classification performance predicts high OOD detection performance, suggesting that improved accuracy can also lead to improved robustness. Our research demonstrates a setup for studying how models deal with unfamiliar EEG data and evaluates methods that are robust to these unfamiliar inputs. OOD detection can improve the overall safety and reliability of BCIs.
• Abstract（参考訳）: Brain-Computer Interfacesで使用される機械学習の分類器は、トレーニングされたデータの分布に基づいて分類を行う。 この分布から外れたサンプルに推測を行う必要がある場合、彼らは盲目な推測しかできない。 ランダムな推測を許す代わりに、これらのアウト・オブ・ディストリビューション(OOD)サンプルを検出して拒否する必要がある。 運動画像BCIにおけるOOD検出について,いくつかのクラスでモデルのトレーニングを行い,不確実性の増加に基づいて不慣れなクラスを検出できるかどうかを調べる。 我々は,7種類のOOD検出技術と,OOD検出の品質向上を主張する1つの方法をテストする。 脳-コンピュータインタフェースのOOD検出は、脳波信号の分類に固有の不確実性が高いため、他の機械学習領域よりも困難である。 多くの被験者にとって、配布外クラスに対する不確実性は、配布外クラスよりも高い。 その結果,多くのOOD検出方法が有効でないことが判明したが,MC Dropoutは最適であった。 さらに,高い分布内分類性能は高いOOD検出性能を予測し,精度の向上がロバスト性の向上につながることを示唆した。 本研究は、モデルが不慣れな脳波データをどのように扱うかを研究するためのセットアップを示し、これらの不慣れな入力に対して堅牢な方法を評価する。 OOD検出はBCIの全体的な安全性と信頼性を向上させることができる。

関連論文リスト

• phepy: Visual Benchmarks and Improvements for Out-of-Distribution Detectors [0.0]
  実世界のデータセット上でのOOD検出手法のテストは、入力がID(In-distriion)またはOOD(OOD)であるあいまいさによって複雑である。 OOD検出のためのベンチマークを設計する。 我々は,ID-OOD境界における監視検出器の精度を高めるために,$t$-pokingとOODサンプル重み付けという2つの改良点を導入した。
  論文  参考訳（メタデータ） (2025-03-07T06:25:20Z)
• Enhancing OOD Detection Using Latent Diffusion [3.4899193297791054]
  Out-of-Distribution(OOD)検出は、現実のシナリオにおけるマシンラーニングモデルの信頼性の高いデプロイに不可欠である。 近年の研究では、安定拡散のような生成モデルを用いて、画素空間の外部値データを合成する方法が検討されている。 我々は,潜伏空間内でOOD学習データを生成する新しいフレームワークであるOutlier-Aware Learning (OAL)を提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:01:43Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• How to Exploit Hyperspherical Embeddings for Out-of-Distribution Detection? [22.519572587827213]
  CIDERは、OOD検出に超球面埋め込みを利用する表現学習フレームワークである。 CIDERは優れたパフォーマンスを確立し、FPR95では19.36%で最新のライバルを上回った。
  論文  参考訳（メタデータ） (2022-03-08T23:44:01Z)
• Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
  ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。 本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。 このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
  論文  参考訳（メタデータ） (2021-06-08T11:40:49Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。