論文の概要: Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram

• arxiv url: http://arxiv.org/abs/2607.22980v1
• Date: Sat, 25 Jul 2026 01:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.954529
• Title: Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram
• Title（参考訳）: 運動画像脳波のクロスオブジェクト分類におけるベイズ完全プール
• Authors: Ethan Davis,
• Abstract要約: ベイズ完全プールモデルとEEG分類の頻繁なベースラインを対比した大規模な研究を行った。 我々の主要な測定基準は、信頼性と解像度に分解されたブライアスコアと、識別のためのAUROC、鋭さのためのシャノンエントロピーであった。 ベイア完全プールは統計的に作られたが、信頼性と予測の不確実性の向上は実質的には有意な改善ではなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-computer interfaces (BCIs) have long sought calibration-free operation, but classifiers are typically benchmarked by discrimination alone, blind to whether predicted probabilities are well calibrated - a meaningful gap given nonstationary electroencephalogram (EEG) signals and the risk of overconfident point-estimate classifiers under distribution shift. We conducted a large-scale study contrasting Bayesian complete-pooling models against frequentist baselines for cross-subject, left-hand versus right-hand motor imagery EEG classification across 20 datasets. Six frequentist pipelines were each paired with an analogous Bayesian pipeline sharing identical feature engineering, fit via Markov chain Monte Carlo posterior sampling. Our primary metric was the Brier score, decomposed into reliability and resolution, alongside AUROC for discrimination and Shannon entropy for sharpness. Each metric was analyzed via random-effects meta-analysis (REML, Knapp-Hartung adjustment), verified by leave-one-out influence analysis. Bayesian complete-pooling produced statistically but not practically significant improvements in reliability and increases in predictive uncertainty (lower sharpness); Brier score, resolution, and discrimination showed no significant differences. Between-study heterogeneity was low across all metrics, though the reliability result was sensitive to leave-one-out removal. We additionally profiled computational cost, finding that Bayesian pipelines consumed roughly thirteen times more energy than their frequentist counterparts, a cost that remains modest relative to common household appliances. These results suggest that Bayesian complete-pooling alone offers limited practical benefit for cross-subject motor imagery classification, and that partial-pooling across subjects and sessions is a more promising direction for future work.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)は長い間、キャリブレーションのない操作を求めてきたが、一般的に分類器は、予測された確率が十分にキャリブレーションされているかどうか、すなわち、非定常脳波(EEG)信号が与えられた有意義なギャップと、分布シフトの下で過信される点推定分類器のリスクを、識別単独でベンチマークする。 ベイジアン完全プールモデルとは対照的な大規模な研究を行い,20のデータセットにまたがる多目的,左利き,右利きの運動画像の脳波分類を行った。 6つの頻繁なパイプラインは、それぞれ、同じ特徴工学を共有する類似のベイズパイプラインと組み合わせられ、マルコフ連鎖モンテカルロ後部サンプリングを介して適合した。 我々の主要な測定基準は、信頼性と解像度に分解されたブライアスコアと、識別のためのAUROC、鋭さのためのシャノンエントロピーであった。 各指標はランダムエフェクトメタアナリシス(REML, Knapp-Hartung 調整)を用いて分析し, アウトアウト・アウト・インフルエンス分析により検証した。 ベイズ完全プール法は統計的に有意な信頼性向上と予測的不確実性の増加(低シャープネス)を生んだ。 スタディ間の不均一性はすべての指標で低かったが,信頼性は除去に敏感であった。 さらに計算コストをプロファイリングし、ベイジアンパイプラインが頻繁なパイプラインの約13倍のエネルギーを消費していることを発見しました。 これらの結果から, バイエルン完全プールだけでは, クロスオブジェクト運動像分類の実用的メリットが限定されていることが示唆され, 被験者とセッション間の部分プールが今後の作業にとってより有望な方向であることが示唆された。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Architecture-agnostic Lipschitz-constant Bayesian header and its application to resolve semantically proximal classification errors with vision transformers [0.0]
  この研究は、アーキテクチャに依存しないリプシッツ・コンスタント・ベイジアンヘッダを示し、視覚変換器のような特徴抽出器に統合することができる。 また,不確実性と不確かさを誤分類率で捉えるための新しい指標と,適応型算術・平均融合方式を提案する。 モンテカルロサンプリングにより計算コストは上昇するが、事前に訓練されたバックボーンとのプラグ・アンド・プレイの互換性を提供する。
  論文  参考訳（メタデータ） (2026-05-07T09:18:06Z)
• Noisy Analysis of Quantum SMOTE on Condition Monitoring and Fault Classification in Industrial and Energy Systems [0.5505634045241289]
  不均衡機械学習モデルは、産業状況の監視と故障分類パイプラインにおける根本的な問題である。 この研究は、クラス不均衡緩和の下での古典的分類器の詳細なベンチマークと調査を示す。 その結果,QSMOTEは分布スキューを一貫して補正し,非線形分類器の性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2026-01-16T16:44:38Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
  ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。 入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。 新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
  論文  参考訳（メタデータ） (2023-09-28T22:41:47Z)
• Fast calculation of Gaussian Process multiple-fold cross-validation residuals and their covariances [0.6091702876917281]
  高速離脱式を複数倍のクロスバリデーションに一般化する。 単純クリグフレームワークと普遍クリグフレームワークの両方において,クロスバリデーション残差の共分散構造を強調した。 本研究の結果は, 高速な多次元クロスバリデーションを可能にし, モデル診断において直接的な結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-08T17:02:37Z)

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。