論文の概要: Addressing Limited Data in Auditory Attention Decoding with Diffusion Generative Models

• arxiv url: http://arxiv.org/abs/2607.18345v1
• Date: Mon, 20 Jul 2026 07:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.191819
• Title: Addressing Limited Data in Auditory Attention Decoding with Diffusion Generative Models
• Title（参考訳）: 拡散生成モデルを用いた聴覚注意復号における限られたデータへの対応
• Abstract要約: 補聴器(HA)における聴覚注意復号(AAD)は脳波データを用いて聴取者の注意を復号する。 HAに典型的な短時間ウィンドウで高いAAD性能を実現することは、現実の音声誘発脳波データの不足により困難である。 合成音声誘発脳波データを生成する拡散確率モデル(DPM)について検討する。
• 参考スコア（独自算出の注目度）: 3.123041641852692
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Limited training data constrains deep learning models for Auditory Attention Decoding (AAD) in hearing aids (HAs). AAD uses electroencephalogram (EEG) data to decode listener's attention, enabling real-time tracking of specific sound sources. However, achieving high AAD performance with short time windows typical in HAs (<=1s) is challenging due to the scarcity of real-world speech-evoked EEG data. To address this issue, we investigate diffusion probabilistic models (DPMs) for generating synthetic speech-evoked EEG data. DPMs learn the underlying complex data structure through a denoising process and can generate realistic samples suitable for data augmentation. We evaluate the use of synthetic EEG data for augmenting datasets in locus-of-attention (LoA) classification tasks. Our experiments demonstrate that DPMs can generate realistic EEG signals and that incorporating synthetic data significantly improves AAD performance compared to models trained solely on measured EEG data (p<0.05). These results highlight the potential of diffusion-based data augmentation to mitigate training data limitations and improve the robustness of short-window AAD models in HA applications.
• Abstract（参考訳）: 限られた訓練データは聴覚注意復号(AAD)のための聴覚補聴器(HA)の深層学習モデルに制約を与える。 AADは脳波データを用いて聴取者の注意を復号し、特定の音源のリアルタイム追跡を可能にする。 しかし,実際の音声誘発脳波データの不足により,HAsに典型的な短時間ウィンドウ(=1s)で高いAAD性能を実現することは困難である。 そこで本研究では,合成音声誘発脳波データを生成する拡散確率モデル(DPM)について検討する。 DPMはデノナイジングプロセスを通じて基礎となる複雑なデータ構造を学習し、データ拡張に適した現実的なサンプルを生成することができる。 我々は、Locus-of-attention(LoA)分類タスクにおいて、データセットを増強するための合成脳波データの利用を評価した。 実験により,DPMは現実的な脳波信号を生成することができ,合成データを組み込むことで,脳波データのみに基づいてトレーニングしたモデル(p<0.05。 これらの結果は,実験データ制限を緩和し,HAアプリケーションにおけるショートウインドウAADモデルの堅牢性を向上させるために,拡散に基づくデータ拡張の可能性を強調した。

関連論文リスト

• Synthetic EEG Generation using Diffusion Models for Motor Imagery Tasks [0.0]
  本研究では,運動画像脳のタスクに関連する合成脳波信号を生成する手法を提案する。 このアプローチでは、実際のEEGデータを前処理し、拡散モデルをトレーニングして、ノイズからEEGチャネルを再構築し、生成された信号の品質を評価する。 生成したデータは95%以上の分類精度を達成し,平均二乗誤差が低く,実信号との相関が高かった。
  論文  参考訳（メタデータ） (2025-10-03T02:02:05Z)
• Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model [2.9972387721489655]
  脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。 提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。 脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
  論文  参考訳（メタデータ） (2024-10-31T05:08:24Z)
• SIDE: Surrogate Conditional Data Extraction from Diffusion Models [32.18993348942877]
  textbfSurrogate condItional Data extract (SIDE) は、データ駆動型サロゲート条件を構築し、任意のDPMからターゲット抽出を可能にするフレームワークである。 SIDEは、いわゆる安全無条件モデルからトレーニングデータを抽出し、条件付きモデルであってもベースラインアタックより優れていることを示す。 我々の研究は、DPMの脅威状況を再定義し、厳密な条件付けを基本的な脆弱性として確立し、モデルプライバシ評価のための新しいより強力なベンチマークを設定します。
  論文  参考訳（メタデータ） (2024-10-03T13:17:06Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• Synthesizing EEG Signals from Event-Related Potential Paradigms with Conditional Diffusion Models [3.187381965457262]
  本研究では,主観,セッション,クラス固有の脳波を直接生成する条件拡散モデルを提案する。 その結果,提案モデルでは被験者,セッション,クラスごとの実際のデータに類似した脳波データを生成することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-27T11:58:45Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Deep Generative Modeling-based Data Augmentation with Demonstration using the BFBT Benchmark Void Fraction Datasets [3.341975883864341]
  本稿では、画像データ生成に広く用いられている深部生成モデル(DGM)の科学的データ拡張への応用について検討する。 トレーニングが完了すると、DGMはトレーニングデータに類似した合成データを生成し、データセットのサイズを大幅に拡大するために使用することができる。
  論文  参考訳（メタデータ） (2023-08-19T22:19:41Z)
• GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition [15.812231441367022]
  本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。 脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。 変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
  論文  参考訳（メタデータ） (2021-09-07T14:42:55Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。