論文の概要: OOD Detection for EEG-based Machine Learning in High-Risk Environments
- arxiv url: http://arxiv.org/abs/2608.17620v1
- Date: Tue, 18 Aug 2026 10:33:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.307004
- Title: OOD Detection for EEG-based Machine Learning in High-Risk Environments
- Title（参考訳）: 高リスク環境における脳波を用いた機械学習のためのOOD検出
- Abstract要約: 脳波OOD検出のためのベンチマークを導入し、幅広い手法の評価を行い、2つの臨床的下流予測タスクでそれらの価値を評価する。
この結果,OOD検出とモデル不確実性推定能力は,文献でしばしば混同されている。
両面の補完的手法が組み合わさることで,実世界のアプリケーションにEEGベースの機械学習モデルをデプロイする上で,堅牢なセーフティネットを構築できることを示す。
- 参考スコア（独自算出の注目度）: 6.788552242619435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models for electroencephalography (EEG) analysis show great promise across a wide range of applications, but their deployment in high-risk domains is hindered by their vulnerability to distribution shifts. Encountering out-of-distribution (OOD) data can lead to catastrophic, overconfident predictive failures. While OOD detection methods can mitigate these risks, they remain heavily under-explored for EEG. Moreover, evaluations in the broader literature typically evaluate OOD detection performance in isolation, ignoring their practical impact on downstream applications. To bridge this gap, we introduce a benchmark for EEG OOD detection, evaluate a broad range of methods, and furthermore evaluate their value in two clinical downstream prediction task. Our results disentangle OOD detection and model uncertainty estimation capabilities, which are frequently conflated in the literature, provide actionable insights about the current state of the art for EEG OOD detection and model uncertainty estimation, and demonstrate how complementary methods for both aspects can be combined to form a robust safety net for the deployment of EEG-based machine learning models in real-world applications.
- Abstract（参考訳）: 脳波(EEG)解析のための機械学習モデルは、広範囲のアプリケーションで大きな可能性を秘めているが、ハイリスク領域への展開は、分布シフトに対する脆弱性によって妨げられている。
アウト・オブ・ディストリビューション(OOD)データの導入は、破滅的な、過度に自信過剰な予測失敗につながる可能性がある。
OOD検出法はこれらのリスクを軽減できるが、脳波の観測は過小評価されている。
さらに、より広範な文献で評価されるOOD検出性能は、ダウンストリームアプリケーションに対する実際の影響を無視して、独立して評価されるのが一般的である。
このギャップを埋めるために、脳波OOD検出のためのベンチマークを導入し、幅広い手法を評価し、さらに2つの臨床的下流予測タスクにおいてそれらの価値を評価する。
本研究は,脳波検出とモデル不確実性推定機能を融合させ,脳波検出とモデル不確実性推定の現況に関する実用的な知見を提供するとともに,両側面の補完手法を組み合わせることで,脳波ベース機械学習モデルを現実のアプリケーションに展開するための堅牢な安全ネットを構築できることを示す。
関連論文リスト
- Beyond Toy Benchmarks: A Systematic Evaluation of OOD Detection Methods For Plant Pathology Classification [0.0]
ディープラーニングシステムの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
本研究では, ポストホックスコアリング, 補助目標, エネルギーモデル, 制約付き最適化を対象とする6つのOOD検出手法について検討した。
論文 参考訳（メタデータ） (2026-05-09T02:27:01Z) - The Challenge of Out-Of-Distribution Detection in Motor Imagery BCIs [7.478056407323783]
我々は,脳-コンピュータ・インタフェースにおけるOODの検出について,いくつかのクラスでモデルのトレーニングを行い,不確実性の増加に基づいて不慣れなクラスを検出できるかどうかを調べる。
脳-コンピュータインタフェースのOOD検出は、脳波信号の分類に固有の不確実性が高いため、他の機械学習領域よりも困難である。
高分散分類性能は高いOOD検出性能を予測し、精度の向上がロバスト性の向上につながることを示唆している。
論文 参考訳（メタデータ） (2026-03-04T16:30:45Z) - Rethinking Out-of-Distribution Detection on Imbalanced Data Distribution [38.844580833635725]
アーキテクチャ設計におけるバイアスを緩和し,不均衡なOOD検出器を増強する訓練時間正規化手法を提案する。
提案手法は,CIFAR10-LT,CIFAR100-LT,ImageNet-LTのベンチマークに対して一貫した改良を行う。
論文 参考訳（メタデータ） (2024-07-23T12:28:59Z) - Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。
我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-09T04:36:38Z) - Pseudo-OOD training for robust language models [78.15712542481859]
OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。
In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。
我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
論文 参考訳（メタデータ） (2022-10-17T14:32:02Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳（メタデータ） (2022-10-13T17:59:57Z) - On the Impact of Spurious Correlation for Out-of-distribution Detection [14.186776881154127]
我々は、不変性と環境特性の両方を考慮して、データシフトをモデル化し、新しい形式化を提案する。
その結果, トレーニングセットにおいて, 突発的特徴とラベルの相関が大きくなると, 検出性能が著しく悪化することが示唆された。
論文 参考訳（メタデータ） (2021-09-12T23:58:17Z) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳（メタデータ） (2021-06-08T11:40:49Z) - ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。
ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,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） (2020-06-26T20:58:05Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z)
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。