論文の概要: Rectifying Geometric Misalignment: Online Source-Free Adaptation for Class-Imbalanced EEG

• arxiv url: http://arxiv.org/abs/2608.05315v1
• Date: Wed, 05 Aug 2026 18:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.773661
• Title: Rectifying Geometric Misalignment: Online Source-Free Adaptation for Class-Imbalanced EEG
• Title（参考訳）: 幾何補正:クラス不均衡脳波に対するオンラインソースフリー適応
• Abstract要約: オンラインBCIシナリオでは、ラベルの分布は動的に変化する(ラベルシフト)。 ラベルシフトに対応するために設計された幾何自由オンラインUDAフレームワークであるOSPDIM(Online SPD manifold information framework)を提案する。 グローバルバッチ統計に依存するオフラインメソッドとは異なり、OSPDIMはバイアスを推定し、修正する。
• 参考スコア（独自算出の注目度）: 7.275134628956466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) based Brain-Computer Interfaces (BCIs) often require unsupervised domain adaptation (UDA) to generalize across subjects and sessions. While Riemannian alignment methods like the Riemannian Centering Transformation (RCT) are effective for handling covariate shifts, they implicitly assume balanced class priors. However, in realistic online BCI scenarios, the label distributions vary dynamically (label shift), causing standard alignment techniques to geometrically misalign the target data distributions. In this work, we propose OSPDIM (Online SPD manifold information maximization), a source-free online UDA framework designed to address label shifts on the Riemannian manifold. OSPDIM introduces a manifold-constrained bias parameter into the tangent space mapping, which is optimized via information maximization to correct the geometric skew caused by imbalanced data streams. Unlike offline methods relying on global batch statistics, OSPDIM estimates and corrects geometric bias on-the-fly. Simulations on 2D SPD matrices visually demonstrate that OSPDIM successfully rectifies the misalignment where standard centering fails. Extensive experiments on multiple motor imagery datasets show that OSPDIM significantly outperforms standard Riemannian baselines, particularly in challenging online adaptation scenarios with severe class imbalance, offering a robust solution for practical, plug-and-play BCI systems.
• Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、主題やセッションをまたいで一般化するために、教師なし領域適応(UDA)を必要とすることが多い。 リーマン中心変換 (RCT) のようなリーマンアライメント法は共変量シフトを扱うのに有効であるが、彼らは暗黙的にバランスの取れたクラス事前を仮定する。 しかし、現実的なオンラインBCIシナリオでは、ラベルの分布は動的に変化する(ラベルシフト)。 本研究では,Riemann多様体上のラベルシフトに対応するために設計された,ソースフリーなオンラインUDAフレームワークであるOSPDIM(Online SPD manifold information maximization)を提案する。 OSPDIMは,不均衡なデータストリームによる幾何学的歪を補正するために,情報最大化によって最適化された接空間マッピングに,多様体制約バイアスパラメータを導入している。 グローバルなバッチ統計に依存するオフラインメソッドとは異なり、OSPDIMは幾何学的偏見を推定し、修正する。 2次元SPD行列のシミュレーションは、OSPDIMが標準集中が失敗する誤りの修正に成功したことを視覚的に示している。 複数の運動画像データセットに対する大規模な実験により、OSPDIMは標準リーマンベースライン、特に厳密なクラス不均衡を伴うオンライン適応シナリオにおいて、実用的でプラグアンドプレイのBCIシステムに対して堅牢なソリューションを提供する場合において、著しく優れていることが示された。

関連論文リスト

• Towards Robust EEG Decoding Based on Riemannian Self-Attention [49.95065559566893]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、補助技術、リハビリテーション、エンターテイメントに重要な応用がある。 近年,Symmetric Positive Definite (SPD) 学習に基づく脳波復号法は優れた性能を示した。 これらの手法は通常、基本的なネットワークアーキテクチャを使用し、EEG信号間の局所的な関係を明示的に捉えない。 この制限は、信号対雑音比(SNR)が本質的に低いため、脳波信号に問題となる。
  論文  参考訳（メタデータ） (2026-06-24T06:31:20Z)
• Learning Where to Simulate: Generative Active Sampling for Online PDE Surrogate Training [0.37282630026096597]
  オンライン生成能動サンプリング(Online Generative Active Smpling, OGAS)は,構成パラメータとサロゲート性能の関係を学習し,サンプリング分布を制御する能動学習手法である。 OGASは尾の統計を一貫して改善し、99番目のパーセンタイルよりも誤差が大幅に減少し、一様サンプリングに比べて全体的な誤差分散が減少する。
  論文  参考訳（メタデータ） (2026-06-08T08:25:19Z)
• From Simple to Complex: Curriculum-Guided Physics-Informed Neural Networks via Gaussian Mixture Models [13.535408662482434]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を解くためのメッシュフリーフレームワークを提供する 本稿では,混合モデリングと動的カリキュラム学習を統合したCGMPINNを提案する。
  論文  参考訳（メタデータ） (2026-05-19T02:20:13Z)
• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery [0.0]
  脳波ベースの脳-コンピュータインタフェースでは、クロスオブジェクト・モーター・イメージ・デコーディングが依然として大きな課題である。 本稿では,新しいジオメトリ対応プリプロセッシングモジュールとディープコングルーエンスネットワークを紹介する。 我々のフレームワークは、最強の古典的ベースラインに対して、クロスオブジェクトの精度を3～4%向上させる。
  論文  参考訳（メタデータ） (2025-11-24T09:46:55Z)
• SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG [6.002670452103349]
  非定常脳波(EEG)は、領域間での分布変化(例えば、日と被験者)をもたらす 対象ドメインに対するラベル付きキャリブレーションデータがない場合、問題はソースフリーな教師なしドメイン適応(SFUDA)問題である。 本稿では,ラベルシフトを含む特定の分布シフトの下でのSFUDA問題に対する幾何学的深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-26T21:27:53Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Deep Optimal Transport for Domain Adaptation on SPD Manifolds [9.552869120136005]
  最適輸送理論とSPD多様体の幾何学を組み合わせた新しい幾何学的深層学習フレームワークを提案する。 提案手法は, 多様体構造を尊重しながらデータ分布を整列させ, 限界差と条件差を効果的に低減する。 提案手法は,KU,BNCI2014001,BNCI2015001の3つのクロスセッション脳コンピュータインタフェースデータセットに対して検証を行った。
  論文  参考訳（メタデータ） (2022-01-15T03:13:02Z)
• Out-of-Domain Human Mesh Reconstruction via Dynamic Bilevel Online Adaptation [87.85851771425325]
  我々は、人間のメッシュ再構成モデルをドメイン外ストリーミングビデオに適用する際の新しい問題を考える。 オンライン適応によってこの問題に対処し、テスト中のモデルのバイアスを徐々に修正します。 動的バイレベルオンライン適応アルゴリズム(DynaBOA)を提案する。
  論文  参考訳（メタデータ） (2021-11-07T07:23:24Z)

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。