論文の概要: Multi-Subject Pretraining Enables Short-Calibration Personalization for Closed-Corpus Surface EMG Speech Decoding
- arxiv url: http://arxiv.org/abs/2609.21288v1
- Date: Fri, 18 Sep 2026 03:56:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.853361
- Title: Multi-Subject Pretraining Enables Short-Calibration Personalization for Closed-Corpus Surface EMG Speech Decoding
- Title（参考訳）: 閉コーパス表面EMG音声復号のための多目的事前学習による短校正パーソナライゼーション
- Abstract要約: 表面筋電図に基づくサイレント音声インタフェースは、ユーザ間のばらつきとキャリブレーションの負担によって制限される。
クローズドな50文コーパス内において, 単目的チェックポイントから初期化, 非係留参加者の事前訓練, 対象参加者の微調整を行った。
このパイプラインは21.7%の文字誤り率(CER)と31.9%の単語誤り率(WER)を達成した。
これらの結果は、標準化されたモンタージュ・クローズド・コーパス・セッティングにおける短期校正のパーソナライズを支援する。
- 参考スコア（独自算出の注目度）: 13.068471510855169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface electromyography (sEMG)-based silent speech interfaces are limited by cross-user variability and calibration burden. We study a limited-data setting in which each of 27 speech-typical participants contributed less than 0.5 h of data (21.3 min on average) across Aloud and Mimed speech. Within a closed 50-sentence corpus, we used leave-one-subject-out evaluation, initializing from a released single-subject checkpoint, pretraining on non-held-out participants, and fine-tuning on the target participant. This pipeline achieved 21.7% character error rate (CER) and 31.9% word error rate (WER), compared with 49.3% CER without target-subject calibration and 68.0% CER for direct checkpoint fine-tuning. Multi-subject pretraining from random initialization followed by fine-tuning reached 44.9% CER and did not converge under the fixed schedule in 5 of 27 folds, indicating substantial optimization and accuracy benefits from checkpoint initialization. Macro-averaged CER declined from 74.4% with one pretraining participant to 21.7% with 26. Three minutes of target-subject calibration achieved 20.5% CER and 31.7% WER, with no statistically significant difference from the full approximately 13-min pool (21.7% CER and 31.9% WER). A subject-specific adapter provided no detectable benefit. Excluding the five evaluation sentences from all sEMG model-training data increased CER and WER to 78.6% and 99.9%. These results support short-calibration personalization in a standardized-montage, closed-corpus setting.
- Abstract（参考訳）: サーフェス・エレクトロミオグラフィー(sEMG)に基づくサイレント音声インタフェースは、ユーザ間のばらつきとキャリブレーションの負担によって制限される。
Aloud と Mimed にまたがって,27 名の音声タイプ参加者が 0.5 h 以下のデータ(平均21.3 分)に寄与する限定データ設定について検討した。
クローズドな50文コーパス内において, 単目的チェックポイントから初期化, 非係留参加者の事前訓練, 対象参加者の微調整を行った。
このパイプラインは21.7%の文字誤り率(CER)と31.9%のワードエラー率(WER)を達成したが、目標・対象校正を行わない49.3%のCERと直接チェックポイントの微調整を行う68.0%のCERであった。
ランダム初期化と微調整によるマルチオブジェクト事前トレーニングは44.9%のCERに達し、27倍の5倍の固定スケジュールでは収束せず、チェックポイント初期化による大幅な最適化と精度の向上が示されていた。
マクロ平均CERは74.4%から減少し、1人の事前訓練参加者が21.7%、26。
3分間の目標物校正で20.5%のCERと31.7%のWERを達成したが、約13分プール(21.7%のCERと31.9%のWER)と統計的に有意な差はなかった。
被験者固有のアダプタは、検出可能な利益を提供しなかった。
すべてのsEMGモデルトレーニングデータから得られた5つの評価文を除くと、CERとWERは78.6%、99.9%に増加した。
これらの結果は、標準化されたモンタージュ・クローズド・コーパス・セッティングにおける短期校正のパーソナライズを支援する。
関連論文リスト
- LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation [45.86925813888675]
肺腫瘍におけるSAM 3の微調整は、0.298から0.757までの1点のプロンプトから得られるDiceを上昇させ、7ラウンドの補正によりさらに0.765まで上昇させる。
ケース毎にリセットされたケースアダプタの小さなセットでテスト時間トレーニングを行うLeCorを提案する。
LeCor は 7 回の補正ラウンドを 0.787 から 0.827 に引き上げ、0.80 を 47 から 27 に到達しないケースの数を 47 から 27 に減らし、3 回の補正ラウンドで細調整モデルが 7 で到達した精度を下げる。
論文 参考訳（メタデータ） (2026-09-08T21:49:56Z) - Instruction Duplication as an Inference-Time Control Primitive [0.003596046562524959]
手続き的命令は制御可能な言語モデルシステムの基本的要件である。
手続き的命令のみを繰り返す最小限のブラックボックス推論時間制御である命令重複を導入する。
論文 参考訳（メタデータ） (2026-09-03T16:05:21Z) - Less Data, Better Alignment: Data-Centric Multi-Evaluator Agreement for Preference Optimization [20.147316178118732]
DMAPOは、ターゲットポリシーから候補応答を生成し、有用性、事実性、およびルーリック特異的評価器による簡潔性を評価する。
この手続きは、54,236人のMistral-7B候補のうち1,871人(3.45%)を受け入れている。
このセットで訓練されたKTOは、MT-Benchで7.50点、テキストダヴィンチ003参照に対して95.5%の勝利率、IFEvalが57.3%に達した。
論文 参考訳（メタデータ） (2026-07-27T23:05:12Z) - ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。
DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
論文 参考訳（メタデータ） (2026-05-28T12:40:22Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。
本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
論文 参考訳（メタデータ） (2026-05-07T06:31:34Z) - Spoken Language Identification with Pre-trained Models and Margin Loss [9.800066159312749]
本稿では,TydyLang Challenge 2026で提案されている話者制御音声言語識別タスクについて,事前学習モデルに基づく言語識別手法を提案する。
提案手法は,事前学習したECAPA-TDNNを特徴エンコーダとして採用し,言語表現の識別能力を高めるためにマージンに基づく損失を取り入れる。
論文 参考訳（メタデータ） (2026-05-03T14:37:52Z) - PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。
我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。
LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
論文 参考訳（メタデータ） (2026-03-02T00:50:39Z) - Leveraging Foundation Models for Calibration-Free c-VEP BCIs [32.56171699904211]
我々は、C-VEP BCIシステムにおける長期キャリブレーションの必要性を排除するために、初めてファンデーションモデル(FM)を使用する。
新しい科目では、キャリブレーションのない設定ではキャリブレーションデータを必要としないため、c-VEPシステムは効果的にプラグアンドプレイできる。
論文 参考訳（メタデータ） (2025-11-04T05:35:24Z) - Iterative Reasoning Preference Optimization [84.15992372132507]
生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。
このスキームの繰り返し繰り返しにおける推論の改善を示す。
例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
論文 参考訳（メタデータ） (2024-04-30T17:28:05Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z)
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。