論文の概要: Beyond Augmentation: Score-Guided Pathological Prior for EEG-based Depression Detection

• arxiv url: http://arxiv.org/abs/2606.00180v1
• Date: Fri, 29 May 2026 14:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.090281
• Title: Beyond Augmentation: Score-Guided Pathological Prior for EEG-based Depression Detection
• Title（参考訳）: 拡張を超えて:脳波による抑うつ検出のためのスコアガイド付き病理診断
• Abstract要約: 脳波を用いた深層学習に基づく大うつ病(MDD)検出は「小脳ジレンマ」によって制限される そこで我々は,Score-Guided Classification (SGC) の新たなフレームワーク "Beyond Augmentation" を提案する。 SGCは擬似サンプルを合成せず、教師なし生成ネットワークアーキテクチャを用いてサンプルの構造的および統計的異常度をモデル化する。
• 参考スコア（独自算出の注目度）: 7.12129270303641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based Major Depressive Disorder (MDD) detection using Electroencephalography (EEG) is fundamentally constrained by the "small-sample dilemma." Prevailing generative data augmentation methods not only incur heavy computational overhead but also risk introducing synthetic noise, thereby blurring classification boundaries. To challenge the traditional "data quantity first" convention, we propose a novel framework "Beyond Augmentation": Score-Guided Classification (SGC). SGC does not synthesize pseudo-samples; instead, it utilizes an unsupervised generative network architecture to model the structural and statistical anomaly degrees of samples, serving as the core "Pathological Prior". This prior, after robust normalization, is explicitly fused with deep feature representations, thereby precisely guiding the classifier's decision boundary. Furthermore, to dynamically adapt to varying channel configurations, we propose a Cross-Channel Spatial Adaptation module, utilizing a spatial mapping mechanism to effectively resolve the hardware heterogeneity of mismatched channels in multi-center datasets. Extensive experiments on the Mumtaz2016 and high-density MODMA datasets demonstrate the effectiveness and exceptional generalizability of our method under the challenging "zero data augmentation" setting and at "zero sample synthesis cost". Keywords: Electroencephalography (EEG), Depression Detection, Anomaly Score, Diffusion Models, Few-Shot Learning
• Abstract（参考訳）: 深層学習に基づく脳波を用いたMDD(Major Depressive Disorder)の検出は、「小サンプルジレンマ」によって根本的に制限される。 過剰な計算オーバーヘッドを発生させるだけでなく、合成ノイズを発生させることで、分類境界が曖昧になる。 従来の「データ量第一」の慣行に挑戦するために,我々は,Score-Guided Classification (SGC) という新たなフレームワーク "Beyond Augmentation" を提案する。 SGCは擬似サンプルを合成せず、教師なし生成ネットワークアーキテクチャを用いて、構造的および統計的に異常なサンプルの度合いをモデル化し、"Pathological Prior"の中核となる。 この前者は、頑健な正規化の後、明らかに深い特徴表現と融合し、したがって分類器の決定境界を正確に導く。 さらに,異なるチャネル構成に動的に適応するために,マルチセンタデータセットにおける不一致チャネルのハードウェア不均一性を効果的に解決するための空間マッピング機構を利用したクロスチャネル空間適応モジュールを提案する。 Mumtaz2016と高密度MODMAデータセットの大規模な実験は、挑戦的な「ゼロデータ拡張」設定と「ゼロサンプル合成コスト」の下で、我々の手法の有効性と例外的な一般化性を実証している。 キーワード:脳波(EEG)、抑うつ検出、異常スコア、拡散モデル、Few-Shot Learning

関連論文リスト

• GraM-Diff: A Unified Graph-Mamba Diffusion Framework for EEG-Based Alzheimer's Disease Data Generation and Diagnosis [7.064709096702816]
  脳波合成のための統一型分類器誘導グラフマンバ拡散フレームワークGraM-Diffを提案する。 拡散U-Net内にグラフ畳み込みネットワークを組み込んで、電界間の接続をモデル化し、線形複雑で長期の時間的モデリングのための双方向マンバ状態空間ブロックをモデル化する。 EEGベースのADベンチマーク4つのベンチマークで、合成強化は分類を改善し、強力な生成ベースラインよりも優れたコンテキストFIDと相関スコアを獲得し、データスカース設定の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-08-30T12:37:47Z)
• A Swap-Adversarial Framework for Improving Domain Generalization in Electroencephalography-Based Parkinson's Disease Prediction [5.527305245660595]
  パーキンソン病予測のための最初の再現可能なベンチマークである新しいデータセットを導入する。 6-ヒドロキシドパミン(6-OHDA)誘発ラットの長期ECoG記録から構築される。 本研究では,高オブジェクト間変動と高次元低サンプルサイズ問題を緩和するSwarp-Adversarial Framework(SAF)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T04:52:46Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Reliable data clustering with Bayesian community detection [0.0]
  研究者たちはモジュール構造を明らかにするために、クラスタリングの類似性データに依存している。 しかし、階層クラスタリング、k平均、WGCNAといった広く使われているクラスタリング手法では、基本モデル選択が欠如しており、ノイズの影響を受けやすい。 一般的な回避策は相関行列表現をスパースしてクラスタリング前にノイズを除去するが、この余分なステップは任意のしきい値を導入し、構造を歪め、信頼できない結果をもたらす。
  論文  参考訳（メタデータ） (2025-10-16T14:10:24Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• Grad-CL: Source Free Domain Adaptation with Gradient Guided Feature Disalignment [3.2371089062298317]
  Grad-CLは、新しいソースフリーなドメイン適応フレームワークである。 ソースデータへのアクセスを必要とせずにセグメンテーションのパフォーマンスに適応する。 最先端の教師なしおよびソースフリーなドメイン適応手法より優れています。
  論文  参考訳（メタデータ） (2025-09-12T10:51:46Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• LEAD: Large Foundation Model for EEG-Based Alzheimer's Disease Detection [9.286594823355363]
  認知症における脳波解析のための最初の大規模基礎モデルであるLEADを提案する。 私たちは、12のデータセット(AD関連3つ、非AD9つ)で事前トレーニングを行い、4つのADデータセットで微調整/テストを行いました。 10基のベースラインと比較して、LEADは一貫して被写体レベルの検出性能が優れている。
  論文  参考訳（メタデータ） (2025-02-02T04:19:35Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。