論文の概要: MyoFlow: Anchor-Tied Rectified Flow for HD-sEMG Gesture Recognition Across Sessions and Subjects

• arxiv url: http://arxiv.org/abs/2609.17194v2
• Date: Wed, 23 Sep 2026 06:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 07:36:07.776668
• Title: MyoFlow: Anchor-Tied Rectified Flow for HD-sEMG Gesture Recognition Across Sessions and Subjects
• Title（参考訳）: myo Flow:HD-sEMGジェスチャ認識のためのアンカータイド整流
• Abstract要約: myoFlowは、セッションやテーマ間でHD-sEMGを認識するためのフローマッチングフレームワークである。 分類をアンカータイドトランスポートとして再キャストし、独立ヘッドなしでゼロショット認識を可能にする。 MyoFlowは91.71%がゼロショット精度、97.39%が数日間CEMHSEYデータセットでほとんどショット精度を達成している。
• 参考スコア（独自算出の注目度）: 5.868325326928246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-density surface electromyography (HD-sEMG) gesture recognition supports prosthetic control, assistive robotics, and rehabilitation, but electrode re-donning and physiological variability cause distribution shifts that degrade accuracy across sessions and subjects. Generative HD-sEMG models primarily synthesize signals for augmentation; although diffusion models enhance representation learning, prediction still relies on a separate classifier. To tie learned dynamics to the decision rule, we propose MyoFlow, the first discriminative flow-matching framework for HD-sEMG recognition across sessions and subjects. It recasts classification as anchor-tied transport: a domain-conditioned rectified flow moves encoded windows toward gesture anchors that serve as transport targets and define the nearest-anchor decision geometry, enabling zero-shot recognition without an independent head. On the Hyser dataset, MyoFlow improves mean cross-session and cross-subject accuracy over the strongest diffusion-based baseline by 4.24% and 6.37%, respectively, and achieves 91.71% mean zero-shot accuracy and 97.39% mean few-shot accuracy across multiple days on the CEMHSEY dataset.
• Abstract（参考訳）: 高密度表面筋電図(HD-sEMG)ジェスチャー認識は、補綴制御、補助ロボティクス、リハビリテーションをサポートするが、電極修復と生理的変動は、セッションや被験者の精度を低下させる分布シフトを引き起こす。 生成HD-sEMGモデルは、主に拡張のための信号を合成するが、拡散モデルは表現学習を促進するが、予測は別個の分類器に依存している。 学習力学を決定規則に結びつけるために,セッションや被験者間でのHD-sEMG認識のための最初の識別フローマッチングフレームワークであるMyoFlowを提案する。 ドメイン条件の整流フローは、エンコードされたウィンドウを、トランスポートターゲットとして機能するジェスチャーアンカーへ移動させ、最も近いアンカー決定幾何学を定義し、独立ヘッドなしでゼロショット認識を可能にする。 Hyserデータセットでは、MyoFlowは最強拡散ベースラインに対する平均クロスセッション精度とクロスオブジェクト精度をそれぞれ4.24%と6.37%改善し、CEMHSEYデータセット上では91.71%の平均ゼロショット精度と97.39%の平均少数ショット精度を達成する。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Feynman Kac Reweighted Schrödinger Bridge Matching for Surface-Based Tau PET Harmonization [5.20374411247051]
  ハーモナイズ法は、生物学的に有意なシグナルを保持しながら、部位によって引き起こされるシフトを取り除くことを目的としている。 本稿では,Feynman Kac Reweighted Schrodinger Bridge Matchingモデルを提案する。 本研究では,HABS-ADNIコホートからのPI-2620データをAV-1451ドメインに調和させることにより,SUVRマップ上での手法を評価する。
  論文  参考訳（メタデータ） (2026-06-16T02:06:36Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals [0.8594140167290097]
  本研究では、7つの心拍変動特性(HRV)とともに連続的な心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。 我々は、最大平均離散性(MMD)を含む表現学習技術を用いて、ソースとターゲットドメイン間の特徴分布を整列する。 未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2026-05-05T22:03:48Z)
• Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
  本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。 実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。 モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
  論文  参考訳（メタデータ） (2025-11-24T19:34:53Z)
• Authentic Discrete Diffusion Model [72.31371542619121]
  認証離散拡散(ADD)フレームワークは、従来の擬似離散的アプローチを再定義する。 ADDはフロートエンコードされたワンホットクラスデータを直接使用して拡散入力を再構成する。 実験により、ADDはベースラインと比較して分類タスクにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-10-01T15:51:10Z)
• Prior-Guided Residual Diffusion: Calibrated and Efficient Medical Image Segmentation [11.375625987308927]
  Prior-Guided Residual Diffusion (PGRD) は、ボクセルの分布を学習する拡散ベースのフレームワークである。 MRIおよびCTデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-09-01T10:13:15Z)
• FlowECG: Using Flow Matching to Create a More Efficient ECG Signal Generator [0.0]
  合成心電図生成は、プライバシ保護データ共有とトレーニングデータセット拡張を必要とする医療AIアプリケーションを提供する。 現在の拡散法は、高い世代品質を実現するが、サンプリング中に数百のニューラルネットワーク評価を必要とする。 本研究では,SSSD-ECGアーキテクチャに適応するフローマッチング手法であるフローECGを提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:19:22Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)

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。