論文の概要: A Sliced-Wasserstein Framework on Correlation Matrices for EEG Decoding

• arxiv url: http://arxiv.org/abs/2606.06104v1
• Date: Thu, 04 Jun 2026 12:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.668686
• Title: A Sliced-Wasserstein Framework on Correlation Matrices for EEG Decoding
• Title（参考訳）: 脳波復号のための相関行列のスライス・ワッサースタインフレームワーク
• Authors: Chen Hu, Rui Wang, Jiale Zhou, Jingjun Yi, Shaocheng Jin, Yidong Song, Yefeng Zheng,
• Abstract要約: 我々は、プルバックユークリッド計量によって与えられる多様体上のスライスされたワッサーシュタインの相違に対する一般的な枠組みを提案する。 この枠組み内では、フルランク相関行列の多様体上の2つの相関スライス・ワッサーシュタイン差分をインスタンス化する。 CorSW上に構築された脳波デコーディングのためのドメイン一般化(DG)フレームワークをさらに発展させる。
• 参考スコア（独自算出の注目度）: 30.1959571094667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) offers noninvasive, millisecond resolution recordings of neuronal activity and is widely used in neuroscience and healthcare. Many EEG decoding pipelines rely on covariance descriptors for their robustness to noise, but such representations are sensitive to channel-wise scaling. Recent studies have therefore advocated full-rank correlation matrices as a scale-invariant alternative for EEG decoding. In this paper, we propose a general framework for Sliced Wasserstein (SW) discrepancies on manifolds endowed with Pullback Euclidean Metrics (PEMs), termed Pullback Euclidean Metric Sliced Wasserstein (PEMSW). Within this framework, we instantiate two Correlation Sliced-Wasserstein (CorSW) discrepancies on the manifold of full-rank correlation matrices under two recently introduced correlation geometries, \textit{i.e.}, the Off-Log Metric (OLM) and Log-Scaled Metric (LSM). Building on CorSW, we further develop a domain generalization (DG) framework for EEG decoding. Experiments on three EEG datasets demonstrate improved generalization under distribution shifts, with low training overhead and no additional inference cost. The source code is available at https://github.com/ChenHu-ML/CorSW.
• Abstract（参考訳）: 脳波検査(EEG)は神経活動の非侵襲的ミリ秒分解能記録を提供し、神経科学や医療で広く用いられている。 多くのEEGデコーディングパイプラインは、ノイズに対する堅牢性のために共分散記述子に依存しているが、そのような表現はチャネルワイズスケーリングに敏感である。 近年の研究では、EEGデコーディングのスケール不変の代替としてフルランク相関行列が提唱されている。 本稿では、プルバックユークリッド計量 (Pullback Euclidean Metriced Wasserstein,PEMSW) と呼ばれる、プルバックユークリッド計量 (Pullback Euclidean Metriced Wasserstein, PEMs) で与えられる多様体上のスライテッドワッサーシュタイン (SW) の相違点に関する一般的な枠組みを提案する。 このフレームワーク内では、最近導入された2つの相関幾何学、 \textit{i.e.}, Off-Log Metric (OLM) と Log-Scaled Metric (LSM) の下で、フルランク相関行列の多様体上の2つの相関スライテッド・ワッサースタイン(CorSW)の差分をインスタンス化する。 CorSW上に構築された脳波デコーディングのためのドメイン一般化(DG)フレームワークをさらに発展させる。 3つのEEGデータセットの実験では、トレーニングオーバーヘッドが低く、追加の推論コストが不要な分散シフト下での一般化の改善が示されている。 ソースコードはhttps://github.com/ChenHu-ML/CorSWで入手できる。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Riemannian geometry meets fMRI: the advantages of modeling correlation manifolds and eigenvector subspaces [0.0]
  相関行列は機能的脳ネットワークの基本要約である。 既存の幾何学的手法は、しばしば閉形式演算を欠いているか、あるいは任意の領域順序に依存する。 オフログ計量とグラスマン部分空間判別という2つの要素を持つスケーラブルな幾何学的枠組みを導入する。
  論文  参考訳（メタデータ） (2026-05-21T11:22:31Z)
• Riemannian Networks over Full-Rank Correlation Matrices [102.84784139051526]
  フルランク相関行列は対称正定値多様体(SPD)の正規化された代替である。 我々はこれらのジオメトリに、MLR(Multinomial Logistic Regression)、FC(Fully Connected)、畳み込み層を含む基本層を拡張した。 また、2つの相関ジオメトリの正確なバックプロパゲーション法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T19:54:55Z)
• Towards Metric-Faithful Neural Graph Matching [0.0]
  グラフ編集距離(英: Graph Edit Distance、GED)は、構造グラフの類似性を表すNPハードな計量である。 最近のニューラルネットワークマッチングアーキテクチャは、グラフをグラフニューラルネットワーク(GNN)に符号化し、グラフレベルの回帰ヘッドまたはマッチングベースのアライメントモジュールを適用することで、GEDを近似している。 構造的な進歩にもかかわらず、ニューラルGED推定におけるエンコーダ幾何の役割はいまだに理解されていない。
  論文  参考訳（メタデータ） (2026-05-07T17:16:54Z)
• Graph Embedding with Mel-spectrograms for Underwater Acoustic Target Recognition [3.4185611249587278]
  UATR-GTransformerは、Transformerアーキテクチャとグラフニューラルネットワーク(GNN)を統合する非ユークリッドディープラーニングモデルである。 提案モデルでは, 海洋工学への応用の可能性を強調し, 周波数領域情報を効果的に抽出する。 UATR-GTransformerが最先端の手法と競合する性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-12-12T13:25:54Z)
• Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery [0.0]
  脳波ベースの脳-コンピュータインタフェースでは、クロスオブジェクト・モーター・イメージ・デコーディングが依然として大きな課題である。 本稿では,新しいジオメトリ対応プリプロセッシングモジュールとディープコングルーエンスネットワークを紹介する。 我々のフレームワークは、最強の古典的ベースラインに対して、クロスオブジェクトの精度を3～4%向上させる。
  論文  参考訳（メタデータ） (2025-11-24T09:46:55Z)
• Performance Evaluation of Ising and QUBO Variable Encodings in Boltzmann Machine Learning [0.7734726150561088]
  QUBOは、一階と二階の統計量の間のより大きな交差項を誘導し、フィッシャー情報行列においてより小さな固有値方向を生成する。 イジングエンコーディングは、より等方的曲率とより高速な収束を提供する。 これらの結果は,ボルツマンマシンにおける情報幾何学および有限時間学習力学の表現の形状について明らかにした。
  論文  参考訳（メタデータ） (2025-10-15T06:57:23Z)
• 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)
• Riemannian Multinomial Logistics Regression for SPD Neural Networks [60.11063972538648]
  本稿では,Symmetric Positive Definite (SPD) 行列のための新しいタイプのディープニューラルネットワークを提案する。 我々のフレームワークは、既存のSPDネットワークで最も人気のあるLogEig分類器について、斬新な説明を提供する。 本手法の有効性は,レーダ認識,人行動認識,脳波分類(EEG)の3つの応用で実証された。
  論文  参考訳（メタデータ） (2023-05-18T20:12:22Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)

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。