論文の概要: Decoding Stimulus Reconstruction-Based Auditory Attention Robustly in Unbalanced EEG Datasets

• arxiv url: http://arxiv.org/abs/2605.25605v1
• Date: Mon, 25 May 2026 08:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.537343
• Title: Decoding Stimulus Reconstruction-Based Auditory Attention Robustly in Unbalanced EEG Datasets
• Title（参考訳）: 非平衡脳波データセットにおける刺激再構成に基づく聴覚注意の復号化
• Authors: Yuanming Zhang, Yayun Liang, Zhibin Lin, Jing Lu,
• Abstract要約: 本稿では,不均衡なデータセットを評価するためのLOPEO(Left-one-paired-Envelope-out)プロトコルを提案する。 実験結果から,LOPEOは不均衡データセット上でのインフレーションデコード精度を効果的に防止できることを確認した。
• 参考スコア（独自算出の注目度）: 13.537454592596525
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the past decade, numerous studies have applied deep neural networks (DNNs) to decode auditory attention (AAD) from Electroencephalogram (EEG) signals via stimulus reconstruction. However, the influence of dataset balance on the decoding performance of stimulus reconstruction-based AAD remains unexplored. In this study, three publicly available EEG-AAD datasets - KUL, DTU, and NJU cEEGrid - are used to construct both balanced and unbalanced experimental conditions. We hypothesize and demonstrate that stimulus reconstruction-based DNN decoders tend to produce overestimated decoding performance on unbalanced datasets. To address this issue, we propose a leave-one-paired-envelope-out (LOPEO) cross-validation protocol. Experimental results confirm that LOPEO effectively prevents inflated decoding accuracy on unbalanced datasets. While balanced datasets are generally preferred in experimental design, LOPEO provides a principled evaluation framework for unbalanced datasets that have already been published, filling an important gap in the field.
• Abstract（参考訳）: 過去10年間、多くの研究が深部神経回路(DNN)を用いて脳波(EEG)信号から聴覚注意(AAD)をデコードしてきた。 しかし, 適応再構成に基づくAADの復号性能に及ぼすデータセットバランスの影響は未解明のままである。 本研究では、KUL、DTU、NJU cEEGridの3つのEEG-AADデータセットを用いて、バランスの取れた実験条件とバランスの取れていない実験条件を構築する。 我々は、刺激再構成に基づくDNNデコーダが、不均衡なデータセット上で過大評価されたデコード性能を生成する傾向があることを仮定し、実証する。 この問題に対処するため,我々はLOPEO(Left-one-paired-Envelope-out)クロスバリデーションプロトコルを提案する。 実験結果から,LOPEOは不均衡データセット上でのインフレーションデコード精度を効果的に防止できることを確認した。 バランスの取れたデータセットは一般に実験的な設計で好まれるが、LOPEOは、既に公開されたアンバランスなデータセットに対して原則化された評価フレームワークを提供し、この分野において重要なギャップを埋めている。

関連論文リスト

• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model [2.9972387721489655]
  脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。 提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。 脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
  論文  参考訳（メタデータ） (2024-10-31T05:08:24Z)
• Comparison of Autoencoder Encodings for ECG Representation in Downstream Prediction Tasks [2.2616169634370076]
  自動エンコーダ(SAE)、Annealed beta-VAE(Abeta-VAE)、Cbeta-VAE(Cbeta-VAE)の3種類の新しい変分自動エンコーダ(VAE)を導入した。 アベタVAEは、信号ノイズのレベルである平均絶対誤差(MAE)を15.7プラス3.2マイクロボルトに減らした。 以上の結果から,これらのVAE符号化はECGデータの簡易化だけでなく,限られたラベル付き学習データを用いた文脈での深層学習の実践的解決にも有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-03T19:30:05Z)
• DNN-GDITD: Out-of-distribution detection via Deep Neural Network based Gaussian Descriptor for Imbalanced Tabular Data [3.3842496750884457]
  本研究では,DNN-GDITD(Deep Neural Network-based Gaussian Descriptor for Im Balanced Tabular Data)という新しいOOD検出アルゴリズムを提案する。 このアルゴリズムは任意のDNNの上に置かれ、球面決定境界を用いた不均衡データのより良い分類とOOD検出を容易にする。
  論文  参考訳（メタデータ） (2024-09-02T06:52:01Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Parallel Augmentation and Dual Enhancement for Occluded Person Re-identification [70.96277129480478]
  被占領者の再識別(Re-ID)はここ数十年で多くの注目を集めている。 近年のアプローチは、隠蔽データの性能向上に重点を置いている。 PADE(Parallel Augmentation and Dual Enhancement)を用いた簡易かつ効果的な手法を提案する。 提案手法の有効性を検証するために, 広く使用されている3つの隠蔽データセットと2つの非隠蔽データセットの実験結果を得た。
  論文  参考訳（メタデータ） (2022-10-11T13:29:38Z)
• A Robust Backpropagation-Free Framework for Images [47.97322346441165]
  画像データに対するエラーカーネル駆動型アクティベーションアライメントアルゴリズムを提案する。 EKDAAは、ローカルに派生したエラー送信カーネルとエラーマップを導入することで達成される。 結果は、識別不能なアクティベーション機能を利用するEKDAAトレーニングCNNに対して提示される。
  論文  参考訳（メタデータ） (2022-06-03T21:14:10Z)
• Towards Balanced Learning for Instance Recognition [149.76724446376977]
  本稿では,インスタンス認識のためのバランス学習のためのフレームワークであるLibra R-CNNを提案する。 IoUバランスのサンプリング、バランスの取れた特徴ピラミッド、客観的再重み付けをそれぞれ統合し、サンプル、特徴、客観的レベルの不均衡を低減します。
  論文  参考訳（メタデータ） (2021-08-23T13:40:45Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。