論文の概要: EMG-FM-Bench: A Comprehensive Benchmark for Foundation Model Transfer and Adaptation on Electromyography
- arxiv url: http://arxiv.org/abs/2610.06450v1
- Date: Mon, 05 Oct 2026 14:53:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 08:18:27.389358
- Title: EMG-FM-Bench: A Comprehensive Benchmark for Foundation Model Transfer and Adaptation on Electromyography
- Title（参考訳）: EMG-FM-Bench: 基礎モデル転送と筋電図適応のための総合ベンチマーク
- Abstract要約: EMG-FM-Benchは、基礎モデル転送と筋電図への適応を研究するための体系的なベンチマークである。
事前トレーニングされたモデルが凍結時や完全微調整時にどのように機能するか、事前トレーニングが同じモデルをスクラッチからトレーニングするのにどの程度役立つか、ラベル付きデータに制限された新規ユーザにどのように一般化するか、異なるEMGタスク間でのパフォーマンスがどう変化するか、という4つの質問に対して、事前トレーニングされた基礎モデルを評価する。
- 参考スコア（独自算出の注目度）: 14.813101752682627
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Foundation models (FMs) are increasingly being developed for general time series and physiological signals, yet their transferability to downstream physiological tasks remains poorly understood. This question is particularly challenging for electromyography (EMG), where signal distributions vary substantially across users, sensing configurations, acquisition hardware, and downstream tasks. We introduce EMG-FM-Bench, a systematic benchmark for studying foundation-model transfer and adaptation on EMG. EMG-FM-Bench unifies 20 public datasets with over 1 million EMG segments and evaluates nine pretrained foundation models across four questions: how pretrained models perform when frozen or fully fine-tuned, how much pretraining helps compared with training the same model from scratch, how well models generalize to new users with limited labeled data, and how performance changes across different EMG tasks. Across the benchmark, linear probing provides useful information about pretrained representations, but full fine-tuning can substantially change downstream EMG performance. Comparing each pretrained model with the same model trained from scratch shows that the benefit of pretraining varies substantially across models and is not universal. Performance decreases when models are evaluated on new users, while five-shot adaptation improves macro-F1 in 70.2% of evaluated model-dataset combinations but recovers only part of the lost performance. Model performance is highly consistent between upper- and lower-limb classification and remains strongly correlated with continuous EMG-to-text decoding. Together, these results provide a systematic view of when pretrained time-series models transfer effectively to EMG and how their performance depends on fine-tuning, user variation, and downstream task.
- Abstract（参考訳）: ファンデーションモデル(FM)は、一般的な時系列や生理的信号のために開発が進んでいるが、下流の生理的タスクへの伝達性はいまだによく分かっていない。
この問題は特にEMG(Electromyography)において困難であり、信号の分布はユーザによって大きく異なる。
EMG-FM-Benchは基礎モデル転送とEMGへの適応の研究のための体系的ベンチマークである。
EMG-FM-Benchは、100万以上のEMGセグメントで20のパブリックデータセットを統合し、凍結または完全に微調整された場合の事前トレーニングモデルのパフォーマンス、スクラッチから同じモデルをトレーニングした場合の事前トレーニングの効果、ラベル付きデータに制限のある新規ユーザへのモデルの一般化方法、さまざまなEMGタスク間でのパフォーマンスがどう変化するか、の4つの質問に対して、9つの事前トレーニングされた基礎モデルを評価する。
ベンチマーク全体を通して、線形探索は事前訓練された表現に関する有用な情報を提供するが、完全な微調整は下流のEMG性能を大きく変えることができる。
各事前訓練されたモデルと、スクラッチからトレーニングした同じモデルを比較すると、事前訓練の利点はモデルによって大きく異なり、普遍的ではないことが分かる。
5ショット適応は評価されたモデルとデータセットの組み合わせの70.2%でマクロF1を改善するが、失われたパフォーマンスの一部しか回復しない。
モデル性能は上肢と下肢の分類に非常によく一致しており、連続的なEMGからテキストへのデコーディングと強く相関している。
これらの結果は,事前学習した時系列モデルがEMGに効果的に移行した時期と,その性能が微調整,ユーザ変動,下流タスクにどのように依存しているかを体系的に把握する。
関連論文リスト
- LiteEMG-FM: An Efficient and Deployable Foundation Model for Robust EMG Sensing [14.813101752682627]
実用的なEMGセンシングのためのCNN-Transformer基盤モデルであるLiteEMG-FMを提案する。
我々は,軽量で常時オンの1D-CNNフィルタがレストや非ターゲットアクティビティを処理し,有効なジェスチャーのみにLiteEMG-FMを起動する階層的な起動アーキテクチャを実装した。
我々は、レイテンシ、消費電力、メモリフットプリントにおけるトレードオフを特徴付ける、完全な推論オフロード、分割推論、フルオンデバイス処理を評価した。
論文 参考訳（メタデータ） (2026-10-01T21:19:51Z) - Domain Generalization for Time Series: Enhancing Drilling Regression Models for Stick-Slip Index Prediction [0.5277024349608834]
この研究は、1Hz表面ドリルデータ60秒のラベル付きシーケンスをトレーニングし、SSI(スティック・スリップ指数)の予測によりドメイン間を一般化できるロバスト回帰モデルを開発することを目的としている。
適応領域一般化(ADG)、不変リスク最小化(IRM)、ベースラインモデルの比較分析を行い、モデル性能改善における転写学習(TL)の有効性の評価を行った。
論文 参考訳（メタデータ） (2026-01-06T10:09:42Z) - Generalist vs Specialist Time Series Foundation Models: Investigating Potential Emergent Behaviors in Assessing Human Health Using PPG Signals [22.364607686570384]
ファンデーションモデルは、大量のデータに基づいて事前訓練された大規模な機械学習モデルである。
MOMENTのような最近の研究は、汎用時系列基礎モデルを複数のドメインのデータで訓練している。
本稿では,ジェネラリストモデルとスペシャリストモデルのパフォーマンスを比較するため,総合的なベンチマーク研究を行うことを目的とする。
論文 参考訳（メタデータ） (2025-10-16T03:13:04Z) - Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。
モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。
多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
論文 参考訳（メタデータ） (2025-05-26T16:05:10Z) - Feasible Learning [78.6167929413604]
本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。
大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
論文 参考訳（メタデータ） (2025-01-24T20:39:38Z) - 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) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Using Explainable Boosting Machine to Compare Idiographic and Nomothetic
Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。
木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。
2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
論文 参考訳（メタデータ） (2022-04-04T17:56:37Z) - Model-Agnostic Multitask Fine-tuning for Few-shot Vision-Language
Transfer Learning [59.38343286807997]
未知タスクの視覚言語モデルのためのモデル非依存型マルチタスクファインチューニング(MAMF)を提案する。
モデルに依存しないメタラーニング(MAML)と比較して、MAMFは二段階最適化を捨て、一階勾配のみを使用する。
MAMFは5つのベンチマークデータセット上で、数ショットの転送学習において古典的な微調整法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-03-09T17:26:53Z) - Deep Transfer-Learning for patient specific model re-calibration:
Application to sEMG-Classification [0.2676349883103404]
機械学習ベースのsEMGデコーダは、主題固有のデータに基づいてトレーニングされるか、少なくとも各ユーザに対して個別に再分類される。
sEMGデータの可用性が限られているため、ディープラーニングモデルは過度に適合する傾向にある。
近年、ドメイン適応のための転写学習は、訓練時間を短縮して一般化品質を改善した。
論文 参考訳（メタデータ） (2021-12-30T11:35:53Z)
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。