論文の概要: Personalising a Cross-User Surface Electromyography Encoder Under a Small Calibration Budget

• arxiv url: http://arxiv.org/abs/2609.20296v1
• Date: Fri, 31 Jul 2026 01:18:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.667579
• Title: Personalising a Cross-User Surface Electromyography Encoder Under a Small Calibration Budget
• Title（参考訳）: 小校正予算下におけるクロスユーザ表面筋電図エンコーダのパーソナライズ
• Abstract要約: 本稿では,ユーザ間のエンコーダを設計決定のコストでパーソナライズする。 原型適応、線形プローブ、スケールされた微調整、フル微調整は各データベースが許容する最大まで全ての予算でテストされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A myoelectric interface needs calibration from the user before it will function. Earlier work has treated calibration as a quantity, but has not asked the question of what a device should do with the calibration repetitions once they have been collected. This paper views personalizing the cross-user encoder as a design decision with a cost. Four alternative approaches to using exactly the same labeled repetitions were tested from a single cross-user encoder per held-out subject. Prototypical adaptation, linear probes, scaled fine-tuning and full fine-tuning were tested at every budget up to the maximum each database allows, five repetitions on DB1 and four on DB2 and DB5. Comparing four ways to spend a small calibration budget across 77 subjects, full fine-tuning is the most accurate at every budget, consistently enough that there is no exception among subsets of subjects. The result which impacts how one might make an engineering decision however is that a gradient free prototypical rule recovers 52 to 78 per cent of its benefit with no optimiser and no per-user copy of the weights, which makes personalisation something a worn device can do at donning time. The widespread intuition that a good representation only needs a fresh classifier is incorrect here. How well each method may perform relative to a per-user classifier that would be fitted by a clinic will depend on the specific database.
• Abstract（参考訳）: 筋電インタフェースは、機能する前にユーザーからキャリブレーションを必要とする。 これまでの作業では、キャリブレーションを量として扱っていたが、収集されたデバイスがキャリブレーションを繰り返してどうすべきか、という質問には答えていない。 本稿では,ユーザ間のエンコーダを設計決定のコストでパーソナライズする。 全く同じラベルの繰り返しを使用するための4つの代替手法が、保持対象ごとに1つのクロスユーザーエンコーダからテストされた。 DB1 と DB5 の 5 つの繰り返し、DB2 と DB5 の 4 つの繰り返し、データベースの最大までの全予算で、原型適応、線形プローブ、スケールされた微調整、フル微調整がテストされた。 77人の被験者に対して小さな校正予算を使う4つの方法を比較すると、完全な微調整はすべての予算において最も正確であり、被験者のサブセットに例外はない。 しかし、エンジニアリング上の決定の仕方に影響を与えるのは、勾配のないプロトタイプルールがオプティマイザを使わずに52～78パーセントの利益を回復し、利用者ごとの重量のコピーがないため、着用したデバイスが寄付時にできることをパーソナライズすることが可能になる。 良い表現が新しい分類器だけを必要とするという広い直観は、ここでは誤りである。 それぞれのメソッドが、クリニックに適合するユーザ毎の分類器と比較してどれだけうまく機能するかは、特定のデータベースに依存する。

関連論文リスト

• Uncertainty-Aware (Un)Supervised Few-Shot User Adaptation for On-Device Personalized Human Activity Recognition [5.348421821267704]
  本稿では,事前訓練された人間活動認識(HAR)モデルをプロトタイプネットワークとして活用する,勾配のないフレームワークを提案する。 アクティビティ毎のキャリブレーションデータのわずか3秒(1ショット)で、教師なし適応はマクロF1を+2.76から+33.44ポイント、教師なし適応は+0.56から+32.13ポイント改善する。
  論文  参考訳（メタデータ） (2026-06-03T12:25:07Z)
• Scalable Utility-Aware Multiclass Calibration [53.28176049547449]
  ユーティリティキャリブレーション(英: Utility calibration)は、特定のユーティリティ関数に対するキャリブレーション誤差を測定する一般的なフレームワークである。 我々は、このフレームワークが既存のキャリブレーションメトリクスを統一し、再解釈する方法を実証する。
  論文  参考訳（メタデータ） (2025-10-29T12:32:14Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• MBCT: Tree-Based Feature-Aware Binning for Individual Uncertainty Calibration [45.440008446506404]
  我々はMultiple Boosting Trees (MBCT)と呼ばれる特徴認識型バイナリフレームワークを提案する。 MBCTは非単調であり,学習可能なビンニング方式と個々のキャリブレーションにより,順序精度が向上する可能性がある。 その結果,本手法はキャリブレーション誤差と順序精度の両方で競合するモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-09T08:59:16Z)
• Optimising the selection of samples for robust lidar camera calibration [5.489796702858156]
  シーン全体に適したキャリブレーションパラメータを推定するためのキャリブレーションサンプルの選択を最適化する,ロバストなキャリブレーションパイプラインを提案する。 このVOQスコアは,推定キャリブレーションパラメータがシーン全体に対してよく一般化する能力と相関していることを示す。 提案するキャリブレーションパイプラインは90秒で1-1.2cm,標準偏差0.4-0.5cmで46のシーンに均等に分布する。
  論文  参考訳（メタデータ） (2021-03-23T03:46:15Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Better Classifier Calibration for Small Data Sets [0.0]
  キャリブレーションのためのデータ生成により,キャリブレーションアルゴリズムの性能が向上することを示す。 提案手法は計算コストを増大させるが、主なユースケースは小さなデータセットであるので、この余分な計算コストは重要ではない。
  論文  参考訳（メタデータ） (2020-02-24T12:27:21Z)

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。