論文の概要: KDHNet: A Knowledge-Driven Hybrid Network for Limited-Calibration SSVEP Decoding

• arxiv url: http://arxiv.org/abs/2610.33058v1
• Date: Mon, 19 Oct 2026 09:53:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.231779
• Title: KDHNet: A Knowledge-Driven Hybrid Network for Limited-Calibration SSVEP Decoding
• Title（参考訳）: KDHNet: 限定キャリブレーションSSVEPデコーディングのための知識駆動型ハイブリッドネットワーク
• Abstract要約: 知識駆動型解析処理とデータ駆動型表現学習を組み合わせたKDHNetを提案する。 オブジェクト間デコーディングでは、ターゲット誘導最小二乗変換は、クラス毎に1つのラベル付きターゲットトライアルを使用してソーストライアルを整列する。 このフレームワークは、より実用的で、堅牢で、プラグアンドプレイのBCIをサポートする。
• 参考スコア（独自算出の注目度）: 14.436141340572734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Steady-state visual evoked potential (SSVEP)-based brain-computer interfaces (BCIs) achieve high information transfer rates but often require sufficient subject-specific calibration data for reliable decoding. Analytical spatial filters are effective with limited data, but their linear formulations constrain representation capacity. Deep models learn more flexible representations but are prone to overfitting when calibration data are scarce. We propose KDHNet, which combines knowledge-driven analytical processing with data-driven representation learning. After filter-bank preprocessing, cascaded task-discriminant component analysis (TDCA) and task-related component analysis (TRCA) extract discriminative and trial-reproducible components. Learnable sub-band weighting then fuses spectral information, and an SSVEPformer decoder learns temporal and spectral representations for classification. For inter-subject decoding, a target-guided least-squares transformation aligns source trials using one labeled target trial per class. Extensive experiments were performed on three public datasets, covering intra- and inter-subject protocols, five analysis windows, and multiple calibration ratios. In intra-subject evaluation, KDHNet achieved the highest mean accuracy and information transfer rate in 14 of 15 window settings and all ten calibration-ratio settings. In inter-subject evaluation, KDHNet obtained the best or second-best performance, and the gains were generally larger with less calibration data. Ablation studies indicated that the estimated TDCA projection performed better when fixed than when optimized from analytical or random initialization. Combining fixed knowledge priors with trainable neural modules is effective for low-calibration SSVEP decoding. This framework supports more practical, robust, and plug-and-play BCIs. Code is available at https://github.com/2665023991/KDHNet.
• Abstract（参考訳）: 定常視覚誘発電位 (SSVEP) ベースの脳コンピュータインタフェース (BCI) は高い情報伝達率を達成するが、信頼できる復号のために十分な主観的校正データを必要とすることが多い。 解析空間フィルタは限られたデータに対して有効であるが、その線形定式化は表現能力を制限する。 深層モデルはより柔軟な表現を学ぶが、キャリブレーションデータが不足している場合には過度に適合する傾向がある。 知識駆動型解析処理とデータ駆動型表現学習を組み合わせたKDHNetを提案する。 フィルタバンク前処理の後、タスク識別コンポーネント分析(TDCA)とタスク関連コンポーネント分析(TRCA)は差別的および試行錯誤可能なコンポーネントを抽出する。 学習可能なサブバンド重み付けは、スペクトル情報を融合し、SSVEPformerデコーダは、分類のための時間的およびスペクトル的表現を学習する。 オブジェクト間デコーディングでは、ターゲット誘導最小二乗変換は、クラス毎に1つのラベル付きターゲットトライアルを使用してソーストライアルを整列する。 オブジェクト内およびオブジェクト間プロトコル,5つの解析ウィンドウ,複数のキャリブレーション比率を含む3つの公開データセットで大規模な実験を行った。 対象物内評価において、KDHNetは15のウィンドウ設定と10のキャリブレーション比設定のうち14のウィンドウ設定において、最高平均精度と情報伝達率を達成した。 対象物間評価において、KDHNetは最良または第2のベット性能を獲得し、概して利得はキャリブレーションデータが少ないほど大きくなった。 アブレーション分析の結果, 推定TDCA予測は解析的あるいはランダムな初期化から最適化した場合よりも, 固定時の方が良好であった。 固定知識とトレーニング可能なニューラルモジュールを組み合わせることは、低校正SSVEP復号法に有効である。 このフレームワークは、より実用的で、堅牢で、プラグアンドプレイのBCIをサポートする。 コードはhttps://github.com/2665023991/KDHNetで入手できる。

関連論文リスト

• Efficient Training of Deep Networks using Guided Spectral Data Selection: A Step Toward Learning What You Need [0.30693357740321775]
  本稿では,GSTDS(Guid Spectrally Tuned Data Selection)アルゴリズムを提案する。 GSTDSは、市販の事前訓練参照モデルを使用して、トレーニングに使用するデータポイントのサブセットを動的に調整する。 性能を損なうことなく、最大4回まで、計算要求の顕著な削減を実現している。
  論文  参考訳（メタデータ） (2025-07-06T07:02:04Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• CALICO: Confident Active Learning with Integrated Calibration [11.978551396144532]
  トレーニングプロセス中にサンプル選択に使用される信頼度を自己校正するALフレームワークを提案する。 ラベル付きサンプルが少ないソフトマックス分類器と比較して,分類性能が向上した。
  論文  参考訳（メタデータ） (2024-07-02T15:05:19Z)
• Benchmarking Neural Decoding Backbones towards Enhanced On-edge iBCI Applications [28.482461973598593]
  本研究は、エッジ展開に適した堅牢な性能と迅速な推論能力を有する最適な神経復号バックボーンを特定することを目的とする。 我々は、GRU(Gated Recurrent Unit)、Transformer、Receptance Weighted Key Value(RWKV)、Selective State Space Model(Mamba)の4つの予測モデルを評価した。 これらの結果から, GRUモデルでは十分な精度が得られたが, RWKVモデルとMambaモデルの方が推論速度とキャリブレーション速度が優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-06-08T02:45:36Z)
• Training a HyperDimensional Computing Classifier using a Threshold on its Confidence [0.0]
  本稿では,HDCモデルで正しく分類されたサンプルだけでなく,信頼性の低いサンプルも考慮して,HDCのトレーニング手順を拡張することを提案する。 提案手法は,UCIHAR,CTG,ISOLET,HANDのデータセットを用いて,ベースラインと比較して連続的に性能が向上することを確認した。
  論文  参考訳（メタデータ） (2023-05-30T13:03:54Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification [1.9336815376402716]
  我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。 脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
  論文  参考訳（メタデータ） (2020-10-08T00:30:12Z)
• COLAM: Co-Learning of Deep Neural Networks and Soft Labels via Alternating Minimization [60.07531696857743]
  2つの目的の交互最小化によるDNNとソフトラベルの共学習 本稿では,DNNとソフトラベルを相互に学習するCOLAMフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T17:50:20Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。