論文の概要: Masked Generative-Contrastive Representation Learning for Cross-Dataset EEG-Based Emotion Recognition

• arxiv url: http://arxiv.org/abs/2607.04139v1
• Date: Sun, 05 Jul 2026 06:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.838005
• Title: Masked Generative-Contrastive Representation Learning for Cross-Dataset EEG-Based Emotion Recognition
• Title（参考訳）: クロスデータセット脳波を用いた感情認識のためのマスケ生成コントラスト表現学習
• Abstract要約: Masked Generative-Contrastive Learning (MGCRL)は、脳波に基づく感情認識に特化した新しいSSLフレームワークである。 生成学習とコントラスト学習を統合し、クロスデータセットの一般化のための細粒度およびグローバルな離散表現を実現する。 大規模なFACEDデータセットの事前トレーニングや、複数のSEEDシリーズデータセットの微調整を含む大規模な実験は、MGCRLの有効性を示している。
• 参考スコア（独自算出の注目度）: 14.865111252973556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) shows strong potential for cross-dataset transfer by improving feature representation and generalization. However, its application to EEG-based emotion recognition remains largely unexplored. Existing SSL methods struggle to capture the intricate spatiotemporal dependencies of EEG signals under varying channel configurations, extract fine-grained representations resilient to noise, and derive global features that generalize well across subjects. To address these challenges, we propose Masked Generative-Contrastive Representation Learning (MGCRL), a novel SSL framework specifically designed for EEG-based emotion recognition. Built upon a region-aware spatiotemporal encoder, MGCRL integrates generative and contrastive learning to achieve both fine-grained and global discriminative representations for cross-dataset generalization. MGCRL introduces three key designs: 1) a spatiotemporal encoder that incorporates region-based graph convolution to capture localized spatial and functional relationships, enhancing region-specific feature learning and mitigating the impact of varying EEG channel configurations across datasets; 2) a generative learning mechanism based on the joint embedding predictive architecture (JEPA) that utilizes masked features to capture noise robustness fine-grained representations, improving the model's capability to characterize subtle emotional states; and 3) a contrastive learning strategy that leverages masked and original features to learn temporally stable and cross-subject-invariant representations across the same stimuli, boosting emotion discrimination and cross-subject generalization. Under these designs, MGCRL exhibits remarkable ability to learn universal representation. Extensive experiments involving pretraining on the large FACED dataset and fine-tuning on multiple SEED-series datasets demonstrate the effectiveness of MGCRL.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、特徴表現の改善と一般化により、データセット間転送の強い可能性を示す。 しかし、その脳波に基づく感情認識への応用はほとんど未検討である。 既存のSSL手法は、様々なチャネル構成の下でEEG信号の複雑な時空間依存性を捉え、ノイズに耐性のあるきめ細かい表現を抽出し、対象者間でよく一般化するグローバルな特徴を導き出すのに苦労している。 これらの課題に対処するため,脳波を用いた感情認識に特化した新しいSSLフレームワークであるMasked Generative-Contrastive Representation Learning (MGCRL)を提案する。 MGCRLは、地域対応時空間エンコーダを基盤として、生成学習とコントラスト学習を統合し、クロスデータセットの一般化のための細粒度およびグローバルな識別表現を実現する。 MGCRLは3つの重要な設計を紹介している。 1)局所的な空間的・機能的な関係を捉え、地域固有の特徴学習を強化し、データセット間で異なるEEGチャネル構成の影響を軽減するために、地域ベースのグラフ畳み込みを取り入れた時空間符号化装置 2 マスキング特徴を利用した統合埋め込み予測アーキテクチャ(JEPA)に基づく生成学習機構により、騒音のきめ細かな表現を捕捉し、微妙な情緒状態を特徴づけるモデルの能力を向上させる。 3) 仮面, 原特徴を生かした対照的な学習戦略は, 時間的に安定し, 対物不変の表現を同じ刺激で学習し, 感情の差別やクロスオブジェクトの一般化を促進する。 これらの設計の下で、MGCRLは普遍表現を学習する顕著な能力を示す。 大規模なFACEDデータセットの事前トレーニングや、複数のSEEDシリーズデータセットの微調整を含む大規模な実験は、MGCRLの有効性を実証している。

関連論文リスト

• DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG [25.4837936625773]
  両面共役表現学習によりマスク不変性を強制する自己教師型基礎モデルであるDARE-EEGを提案する。 具体的には、同一の脳波サンプルの複数のマスキングビューからの表現を制約するマスクアライメントを導入する。 また,不均一電極構成に事前学習した表現を適応させるパラメータ効率の手法であるconv-linear-probingを提案する。
  論文  参考訳（メタデータ） (2026-05-18T12:18:43Z)
• Bidirectional Learning of Facial Action Units and Expressions via Structured Semantic Mapping across Heterogeneous Datasets [85.74213192818668]
  本研究では,異なるデータ領域下での双方向AU-FE学習のための構造化セマンティックマッピング(SSM)フレームワークを提案する。 SSMは、(1)動的AUとFEビデオから統一された顔表現を学習する共有視覚バックボーン、(2)テキストセマンティックプロトタイプ(TSP)モジュールによるセマンティックメディエーション、(3)顔行動符号化システムから派生した事前知識を組み込んだ動的優先マッピング(DPM)モジュールの3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2026-04-12T09:08:32Z)
• A General Framework for Generative Self-supervised Learning in Non-invasive Estimation of Physiological Parameters Using Photoplethysmography [3.154286239027942]
  SSRLフレームワークは、時間、分光、時間-分光混合ドメインを用いて、普遍的および非侵襲的な生理学的パラメータ推定のためのPSGのユニークな特徴を探索し、組み込むために提案される。 CTFGAとDPTの結合性能は,生理的パラメータ推定タスクにおいて,標準生成学習よりも有意に優れていた。
  論文  参考訳（メタデータ） (2026-04-03T12:42:55Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• An Efficient Self-Supervised Framework for Long-Sequence EEG Modeling [2.1232375739287006]
  脳波表現学習のための自己教師型フレームワークであるEEGM2を提案する。 EEGM2は、ショートシーケンスとロングシーケンスの両方のモデリングと分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-25T05:57:56Z)
• Training Strategies for Isolated Sign Language Recognition [72.27323884094953]
  本稿では,孤立手話認識のための包括的モデル学習パイプラインを提案する。 構築されたパイプラインには、慎重に選択された画像とビデオの拡張が含まれており、低いデータ品質とさまざまなサインスピードの課題に対処している。
  論文  参考訳（メタデータ） (2024-12-16T08:37:58Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)

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。