論文の概要: Boundary-aware Prototype-driven Adversarial Alignment for Cross-Corpus EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2603.26713v1
• Date: Wed, 18 Mar 2026 02:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.10032
• Title: Boundary-aware Prototype-driven Adversarial Alignment for Cross-Corpus EEG Emotion Recognition
• Title（参考訳）: クロスコーパス脳波の感情認識のための境界認識型プロトタイプ駆動型対向アライメント
• Authors: Guangli Li, Canbiao Wu, Na Tian, Li Zhang, Zhen Liang,
• Abstract要約: クロスコーパス脳波感情認識のためのPAA(Prototype-driven Adrial Alignment)フレームワークを提案する。 提案手法は,感情認識を関係駆動型表現学習問題として再構成する。 SEED、SEED-IV、SEED-Vの実験は、4つのクロスコーパス評価プロトコル下での最先端性能を示す。
• 参考スコア（独自算出の注目度）: 6.313563501854241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG)-based emotion recognition suffers from severe performance degradation when models are transferred across heterogeneous datasets due to physiological variability, experimental paradigm differences, and device inconsistencies. Existing domain adversarial methods primarily enforce global marginal alignment and often overlook class-conditional mismatch and decision boundary distortion, limiting cross-corpus generalization. In this work, we propose a unified Prototype-driven Adversarial Alignment (PAA) framework for cross-corpus EEG emotion recognition. The framework is progressively instantiated in three configurations: PAA-L, which performs prototype-guided local class-conditional alignment; PAA-C, which further incorporates contrastive semantic regularization to enhance intra-class compactness and inter-class separability; and PAA-M, the full boundary-aware configuration that integrates dual relation-aware classifiers within a three-stage adversarial optimization scheme to explicitly refine controversial samples near decision boundaries. By combining prototype-guided subdomain alignment, contrastive discriminative enhancement, and boundary-aware aggregation within a coherent adversarial architecture, the proposed framework reformulates emotion recognition as a relation-driven representation learning problem, reducing sensitivity to label noise and improving cross-domain stability. Extensive experiments on SEED, SEED-IV, and SEED-V demonstrate state-of-the-art performance under four cross-corpus evaluation protocols, with average improvements of 6.72\%, 5.59\%, 6.69\%, and 4.83\%, respectively. Furthermore, the proposed framework generalizes effectively to clinical depression identification scenarios, validating its robustness in real-world heterogeneous settings. The source code is available at \textit{https://github.com/WuCB-BCI/PAA}
• Abstract（参考訳）: 脳波に基づく感情認識は、生理的多様性、実験的パラダイムの違い、デバイス不整合により、モデルが不均一なデータセット間で転送されるとき、深刻なパフォーマンス劣化に悩まされる。 既存のドメイン逆法は主に大域境界アライメントを強制し、しばしばクラス条件のミスマッチや決定境界の歪みを見落とし、クロスコーパスの一般化を制限する。 本研究では,クロスコーパス脳波感情認識のための,プロトタイプ駆動型適応アライメント(PAA)フレームワークを提案する。 このフレームワークは、プロトタイプ誘導型局所クラス条件アライメントを実行するPAA-Lと、クラス内コンパクト性とクラス間セパビリティを高めるためのコントラスト的セマンティック正規化を更に組み込んだPAA-Cと、3段階の対角的最適化スキームに二重関係認識分類器を統合する完全な境界対応構成であるPAA-Mの3つの構成で段階的にインスタンス化されている。 提案手法は,プロトタイプ誘導サブドメインアライメント,コントラスト識別強化,境界認識アグリゲーションをコヒーレントな対向アーキテクチャ内で組み合わせることで,関係駆動型表現学習問題として感情認識を再構成し,ラベルノイズに対する感度を低減し,クロスドメイン安定性を向上させる。 SEED, SEED-IV, SEED-Vの総合的な実験により, 4つのクロスコーパス評価プロトコルにおいて, 平均6.72\%, 5.59\%, 6.69\%, 4.83\%の改善が得られた。 さらに,提案フレームワークは臨床うつ病の診断シナリオを効果的に一般化し,実世界の異種環境におけるその堅牢性を検証する。 ソースコードは \textit{https://github.com/WuCB-BCI/PAA} で入手できる。

関連論文リスト

• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
  視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-10-28T03:47:44Z)
• Unsupervised Pairwise Learning Optimization Framework for Cross-Corpus EEG-Based Emotion Recognition Based on Prototype Representation [1.3354439722832292]
  企業間感情認識は、特に意思決定境界付近のサンプルにおいて深刻な課題に直面している。 本稿では,ドメイン逆転変換学習に基づく感情特徴の微粒なアライメントに対する最適化手法を提案する。 私たちの研究は、感情認識のクロスコーパスに有望なソリューションを提供します。
  論文  参考訳（メタデータ） (2025-08-06T06:29:19Z)
• Overlap-Aware Feature Learning for Robust Unsupervised Domain Adaptation for 3D Semantic Segmentation [9.578322021478426]
  3Dポイントクラウドセマンティックセグメンテーション(PCSS)は、ロボットシステムと自律運転における環境認識の基礎である。 既存の方法は、現実の摂動(例えば、雪、霧、雨)と敵の歪みに固有の脆弱性を批判的に見落としている。 この研究は、まず、現在のPCSS-UDAロバスト性を損なう2つの本質的な制限を特定する。 1) 強靭性指標による敵攻撃・破壊タイプに対するレジリエンスを定量化する頑健性評価モデル,2) 注意誘導重複抑制による識別構造を維持しつつ,双方向のドメインマッピングを可能にする非可逆的注意アライメントモジュール(IAAM) とからなる三部構成のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-02T12:16:23Z)
• Decoupled Doubly Contrastive Learning for Cross Domain Facial Action Unit Detection [66.80386429324196]
  そこで本稿では,AU 表現を2つに分離した2つのコントラスト適応 (D$2$CA) 手法を提案する。 D$2$CAは、合成顔の質を評価することにより、AUとドメイン因子を乱すように訓練される。 最先端のクロスドメインAU検出アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-03-12T00:42:17Z)
• Unsupervised Contrastive Domain Adaptation for Semantic Segmentation [75.37470873764855]
  クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。 提案手法は、ドメイン適応のための最先端手法を一貫して上回る。 Cityscapesデータセットで60.2% mIoUを達成した。
  論文  参考訳（メタデータ） (2022-04-18T16:50:46Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)

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。