Fugu-MT 論文翻訳(概要): Personalised federated learning for Riemannian and Euclidean EEG decoding

論文の概要: Personalised federated learning for Riemannian and Euclidean EEG decoding

arxiv url: http://arxiv.org/abs/2609.29037v1
Date: Thu, 24 Sep 2026 05:09:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.733221
Title: Personalised federated learning for Riemannian and Euclidean EEG decoding
Title（参考訳）: リーマンおよびユークリッド脳波復号のためのパーソナライズド・フェデレーション学習
Abstract要約: フェデレートされた学習により、脳波デコーダは複数の被験者の録音から学習することができる。すべての被験者は共通のトランクを学び、各被験者は自身の頭を保持する。実験では、チャネル、主題、クラスにおいて様々な状況にまたがる3つの運動画像データセットをカバーしている。
参考スコア（独自算出の注目度）: 8.927002750209295
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning (FL) lets EEG decoders learn from recordings of several subjects without pooling them. We consider two light EEG decoders, the Riemannian SPDNet and the Euclidean EEGNet. Both split into a trunk, which builds a latent representation, and a head, which classifies it. Inter-subject variability, however, makes a single shared FL model a poor fit for each subject. Personalised FL addresses this: all subjects learn a common trunk, and each subject keeps its own head. We adapt it for SPDNet and study its effects against standard FL and centralised training, with EEGNet as a Euclidean baseline. Experiments cover three motor-imagery datasets that span diverse regimes in channels, subjects and classes. We observe that personalised SPDNet reaches higher accuracy than both standard FL and centralised training, while converging in fewer rounds and communicating fewer parameters than standard FL. It also outperforms every EEGNet configuration on two of the three datasets, although centralised EEGNet outperforms centralised SPDNet.
Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は、脳波デコーダが複数の被験者の録音から学べるようにしている。我々は2つの軽いEEGデコーダ、リーマンSPDNetとユークリッドEEGNetについて考察する。どちらもトランクに分割され、潜在表現を構築し、ヘッドはそれを分類する。しかし、オブジェクト間の変動は、単一の共有FLモデルを各主題に適さないものにする。すべての被験者は共通のトランクを学び、各被験者は自身の頭を保持する。我々はSPDNetに適応し、その効果を標準FLと集中トレーニングに向け、EEGNetをユークリッドベースラインとして研究する。実験では、チャネル、主題、クラスにおいて様々な状況にまたがる3つの運動画像データセットをカバーしている。パーソナライズされたSPDNetは、標準FLと集中型トレーニングの両方よりも精度が高く、ラウンドは少なく、標準FLよりも少ないパラメータを通信する。また、3つのデータセットのうち2つですべてのEEGNet設定を上回り、集中型EEGNetは集中型SPDNetより上回ります。

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)
U-Net Kalman Filter (UNetKF): An Example of Machine Learning-assisted Ensemble Data Assimilation [3.837531078216739]
畳み込みニュートラルネットワーク(CNN)の一種であるU-Netを用いて,Ensemble Kalman Filter(EnKF)アルゴリズムの局所的なアンサンブル共分散を予測する。トレーニングされたU-Netは、U-Net Kalman Filter (UNetKF)実験において、フロー依存の局所化誤差共分散行列を予測するために使用される。 UNetKFの性能は、3DVar、En3DVar、EnKFと一致または超える。
論文参考訳（メタデータ） (2024-03-19T02:23:12Z)
Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文参考訳（メタデータ） (2024-02-28T03:27:10Z)
Sparse Decentralized Federated Learning [35.32297764027417]
分散フェデレートラーニング(DFL)は、中央サーバーなしで協調的なモデルトレーニングを可能にするが、効率、安定性、信頼性の課題に直面している。 Sparse DFL (SDFL) に繋がる共有モデルに空間制約を導入し,新しいアルゴリズムCEPSを提案する。数値実験により,高い信頼性を維持しつつ,コミュニケーションと効率を向上させるための提案アルゴリズムの有効性が検証された。
論文参考訳（メタデータ） (2023-08-31T12:22:40Z)
Robust Split Federated Learning for U-shaped Medical Image Networks [16.046153872932653]
U字型医療画像ネットワークのためのRoS-FL(Roust Split Federated Learning)を提案する。 RoS-FLは、フェデレートラーニング(FL)とスプリットラーニング(SL)のハイブリッドラーニングパラダイムである
論文参考訳（メタデータ） (2022-12-13T05:26:31Z)
SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文参考訳（メタデータ） (2022-09-13T12:12:19Z)
Supernet Training for Federated Image Classification under System Heterogeneity [15.2292571922932]
本研究では,2つのシナリオ,すなわちフェデレーション・オブ・スーパーネット・トレーニング(FedSup)を考えるための新しい枠組みを提案する。フェデレートラーニング(FL)のモデルアグリゲーション段階でのパラメータの平均化は、スーパーネットトレーニングにおけるウェイトシェアリングとどのように似ているかに着想を得ている。本フレームワークでは,通信コストの削減とトレーニングオーバーヘッドの低減のために,放送段階のクライアントにサブモデルを送信することで,効率的なアルゴリズム(E-FedSup)を提案する。
論文参考訳（メタデータ） (2022-06-03T02:21:01Z)
EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification [0.5616884466478884]
我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
論文参考訳（メタデータ） (2022-04-14T13:18:43Z)
Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文参考訳（メタデータ） (2022-03-26T00:41:57Z)
The Effect of Training Parameters and Mechanisms on Decentralized Federated Learning based on MNIST Dataset [0.0]
分散フェデレートラーニング(DFL)の概念を紹介する。すべての実験は、MNISTの手書き桁データセット上で実行される。モデルの重み間のばらつきが大きすぎる場合、トレーニングの失敗を観察します。
論文参考訳（メタデータ） (2021-08-07T19:37:43Z)
Multi-Stage Hybrid Federated Learning over Large-Scale D2D-Enabled Fog Networks [61.30171206892684]
ネットワークを多層クラスタベース構造とみなす階層内モデル学習と層間モデル学習のハイブリッドを開発する。 MH-FLは、デバイス間通信(D2D)を介して形成されたローカルネットワークを含む、クラスタ内のノード間のトポロジー構造を考察している。異なるネットワーク層におけるデバイスを協調的/協調的にオーケストレーションし、モデルパラメータの局所的なコンセンサスを形成する。
論文参考訳（メタデータ） (2020-07-18T20:03:07Z)

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。