論文の概要: Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure

• arxiv url: http://arxiv.org/abs/2607.07773v1
• Date: Wed, 08 Jul 2026 16:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.298904
• Title: Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure
• Title（参考訳）: 脳波に基づく感情認識のためのグラフ規則化深層学習
• Authors: Dongyang Kuang, Zizheng Ma, Yushan Zhang, Xiaocong Zeng,
• Abstract要約: 脳波に基づく感情認識は、メンタルヘルスモニタリングと感情的脳-コンピュータインターフェースにおいて重要である。 本研究では,エッジが近接情報を符号化するグラフにおいて,感情をノードとして概念化するグラフ正規化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.414650013666764
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: EEG-based emotion recognition is critical for mental health monitoring and affective brain-computer interfaces, yet existing deep learning approaches often treat emotion classes as isolated labels, ignoring their psychological interdependencies. We propose a graph-regularized learning framework that conceptualizes emotions as nodes in a graph where edges encode proximity based on dimensional emotion theories. We adapt three complementary regularization strategies--Graph Label Smoothing (intuitive soft labeling), Commuting distance on graph via Graph Laplacian (spectral graph theory), and Sliced Wasserstein Distance (optimal transport on graph)--ordered by increasing computational complexity. These strategies penalize model predictions that deviate from the established emotion topology. Our framework is evaluated across three representative backbone architectures: AudioTransformer (pure transformer), Conformer (CNN-transformer hybrid), and DCGNN (causal graph neural network), demonstrating architecture-agnostic benefits. Experiments on SEED-IV (4 classes) and SEED-V (5 classes) datasets show consistent improvements: best case up to +5.42% accuracy and 39% reduction in psychologically implausible misclassifications. Ultimately, our framework help raise the upper bound of performance achievable with standard approaches. Code will be released.
• Abstract（参考訳）: 脳波に基づく感情認識は、メンタルヘルスモニタリングや感情的な脳とコンピュータのインターフェースにおいて重要であるが、既存のディープラーニングアプローチは感情クラスを独立したラベルとして扱うことが多く、心理的相互依存を無視している。 本研究では,エッジが近接情報を符号化するグラフにおいて,感情をノードとして概念化するグラフ正規化学習フレームワークを提案する。 グラフラベルの平滑化(直感的ソフトラベリング)、グラフラプラシアン(スペクトルグラフ理論)によるグラフ上の通勤距離、スライスされたワッサーシュタイン距離(グラフ上での最適輸送)の3つの相補的な正規化戦略を計算複雑性の増大により順序付けする。 これらの戦略は、確立された感情トポロジーから逸脱するモデル予測を罰する。 我々のフレームワークは,AudioTransformer(純変換器),Conformer(CNN変換器ハイブリッド),DCGNN(因果グラフニューラルネットワーク)の3つの代表的なバックボーンアーキテクチャで評価され,アーキテクチャに依存しない利点を示す。 SEED-IV(4クラス)とSEED-V(5クラス)のデータセットに対する実験では、最高のケースは、+5.42%の精度で、心理的に不可解な誤分類を39%減らすという一貫した改善が見られた。 最終的に、私たちのフレームワークは、標準的なアプローチで達成可能なパフォーマンスの上限を高めるのに役立ちます。 コードはリリースされる。

関連論文リスト

• A Brain Wave Encodes a Thousand Tokens: Modeling Inter-Cortical Neural Interactions for Effective EEG-based Emotion Recognition [0.41998444721319217]
  本稿では,潜時空間における脳の皮質間神経力学をモデル化するTransformerベースのニューラルネットワークアーキテクチャであるRBTransformerを提案する。 本研究は,SEED,DEAP,DREAMERデータセットを用いて,特に主観的設定下で広範囲にわたる実験を行った。 その結果,提案したRBTransformerは,従来の最先端手法を3つのデータセットすべてで上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-11-17T22:27:12Z)
• Spatial-Functional awareness Transformer-based graph archetype contrastive learning for Decoding Visual Neural Representations from EEG [3.661246946935037]
  本稿では,脳波に基づく視覚的デコーディングを強化するために,空間認識変換器を用いたグラフアーチタイプコントラスト学習(SFTG)フレームワークを提案する。 具体的には、空間的脳の接続性と時間的神経力学を同時に符号化する新しいグラフベースのニューラルアーキテクチャであるEEG Graph Transformer(EGT)を紹介する。 高い対象内変動を緩和するために,特徴の整合性とクラス分離性を改善するために,主観固有の脳波グラフアーチタイプを学習するグラフアーチタイプコントラスト学習(GAC)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T13:27:55Z)
• Interpretable Sparsification of Brain Graphs: Better Practices and Effective Designs for Graph Neural Networks [15.101250958437038]
  密度の高い脳グラフは、高い実行時間とメモリ使用量、限定的な解釈可能性を含む計算上の課題を生じさせる。 55.0%のエッジでグラフ分類性能を最大5.1%向上させる新しいモデルであるInterpretable Graph Sparsificationを提案する。
  論文  参考訳（メタデータ） (2023-06-26T01:37:10Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• EmoGraph: Capturing Emotion Correlations using Graph Networks [71.53159402053392]
  グラフネットワークを通じて異なる感情間の依存関係をキャプチャするEmoGraphを提案する。 EmoGraphは特にマクロF1において、強いベースラインを上回ります。 キャプチャーされた感情相関は、シングルラベルの分類作業にも有用であることを示す実験である。
  論文  参考訳（メタデータ） (2020-08-21T08:59:29Z)
• Dynamic Emotion Modeling with Learnable Graphs and Graph Inception Network [0.0]
  本稿では,感情認識と動的データの基盤となるグラフ構造を共同で学習するLearable Graph Inception Network(L-GrIN)を提案する。 提案アーキテクチャを3つの異なるモードにまたがる5つのベンチマーク感情認識データベース上で評価する。
  論文  参考訳（メタデータ） (2020-08-06T13:51:31Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。