論文の概要: PRISM: Prioritized Channel Importance with Semi-supervised Domain Adaptation for Cross-Subject EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2607.00358v1
• Date: Wed, 01 Jul 2026 02:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.695244
• Title: PRISM: Prioritized Channel Importance with Semi-supervised Domain Adaptation for Cross-Subject EEG Emotion Recognition
• Title（参考訳）: PRISM:クロスサブジェクト脳波認識のための半教師付き領域適応によるチャネルの優先度付け
• Abstract要約: Prioritized channel Importance with Semi-supervised doMain adaptation (PRISM)を提案する。 チャネル側では、PRISMは軽量の専門家アンサンブルを介して、異なるデータ依存のチャネルウェイトを割り当て、信頼性の高い電極を増幅し、邪魔者を抑える。 ドメイン側では、PRISMは信頼度フィルタリングされた擬似ラベルを通じてラベルなしのデータを活用し、一貫性の正則化とドメインアライメントを駆動する。
• 参考スコア（独自算出の注目度）: 10.6956983126015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG) captures endogenous brain activity with high temporal fidelity and holds substantial promise for precise emotion decoding. However, channel redundancy and pronounced inter-subject variability remain key obstacles to scalable generalization. To address these limitations, we propose a novel framework termed PRioritized channel Importance with Semi-supervised doMain adaptation (PRISM), enabling label-efficient cross-subject emotion decoding. On the channel side, PRISM assigns differentiable, data-dependent channel weights via a lightweight expert ensemble, amplifying reliable electrodes while suppressing distractors. On the domain side, PRISM leverages unlabeled data through confidence-filtered pseudo-labels to drive consistency regularization and domain alignment, mitigating subject-specific heterogeneity. Extensive experiments show that PRISM surpasses state-of-the-art methods on DEAP, DREAMER, and SEED datasets, achieving robust cross-subject generalization given limited annotations.
• Abstract（参考訳）: 脳波(EEG)は、時間的忠実度の高い内因性脳活動を捉え、正確な感情の復号を約束する。 しかし、チャネルの冗長性とオブジェクト間の変動性は、スケーラブルな一般化の鍵となる障害である。 これらの制約に対処するために,Prioritized channel Importance with Semi-supervised doMain adaptation (PRISM) と呼ばれる新しいフレームワークを提案する。 チャネル側では、PRISMは軽量の専門家アンサンブルを介して、異なるデータ依存のチャネルウェイトを割り当て、信頼性の高い電極を増幅し、邪魔者を抑える。 ドメイン側では、PRISMは信頼フィルタリングされた擬似ラベルを通じてラベルのないデータを活用し、一貫性の正則化とドメインアライメントを駆動し、主題固有の不均一性を緩和する。 大規模な実験により、PRISMはDEAP、DREAMER、SEEDデータセットの最先端の手法を超越し、限られたアノテーションを与えられた堅牢なクロスオブジェクトの一般化を実現することが示されている。

関連論文リスト

• PGUDA: Pressure-Guided Unsupervised Domain Adaptation with Cross-Modal Knowledge Distillation for sEMG-Based Gesture Recognition [3.8224219892220206]
  表面筋電図(sEMG)に基づくジェスチャー認識は、人間とコンピュータの自然な相互作用のための有望な技術として登場した。 本稿では,新しい圧力ガイド型非教師付きドメイン適応(PGUDA)フレームワークを提案する。 圧力信号に基づいて訓練された教師ネットワークは、未ラベル対象ドメイン上のsEMG学生ネットワークを誘導する。
  論文  参考訳（メタデータ） (2026-06-30T08:45:55Z)
• Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
  VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。 既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。 そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T02:15:59Z)
• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• EEG-based Graph-guided Domain Adaptation for Robust Cross-Session Emotion Recognition [2.0955637520081756]
  EGDAは、グローバル(マージナル)とクラス固有(コンディション)の分散を整合させることにより、クロスセッションの相違を低減するフレームワークである。 SEED-IVデータセットの実験結果から,EGDAが堅牢なクロスセッション性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-12-29T15:05:25Z)
• Enhancing Knowledge Transfer in Hyperspectral Image Classification via Cross-scene Knowledge Integration [20.304972437980112]
  CKI(Cross-scene Knowledge Integration)は、移動中にターゲット・プライベートな知識を明示的に組み込むフレームワークである。 CKIは、さまざまなクロスステージなHSIシナリオにまたがる安定性で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-08T02:18:01Z)
• DK-Root: A Joint Data-and-Knowledge-Driven Framework for Root Cause Analysis of QoE Degradations in Mobile Networks [17.511985643225618]
  DK-Rootは,根本原因分析のための共同データ・知識駆動型フレームワークである。 堅牢な根本原因分析のための厳密な専門家ガイダンスとともに、スケーラブルな弱監視を統一する。 実世界のオペレータグレードデータセットの実験では、最先端の精度が示されている。
  論文  参考訳（メタデータ） (2025-11-13T09:32:01Z)
• TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
  TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。 顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。 実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
  論文  参考訳（メタデータ） (2025-10-07T18:16:21Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation [0.5755004576310334]
  本稿では,領域間における脳波に基づく感情分類のための新しいSF-UDA手法を提案する。 本稿では,Dual-Loss Adaptive Regularization (DLAR)を導入し,予測誤差を最小化し,予測を疑似ラベルと整合させる。 我々の手法は最先端の手法よりも優れており、DEAでトレーニングし、SEEDでテストすると65.84%の精度が達成される。
  論文  参考訳（メタデータ） (2025-03-26T14:29:20Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)

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。