論文の概要: Do sEMG Foundation Models Improve Cross-Subject Generalisation?

• arxiv url: http://arxiv.org/abs/2611.08199v1
• Date: Thu, 05 Nov 2026 15:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.567309
• Title: Do sEMG Foundation Models Improve Cross-Subject Generalisation?
• Title（参考訳）: sEMGファンデーションモデルはオブジェクト間の一般化を改善するか?
• Abstract要約: sEMG Foundation Modelsは、様々な課題に対する汎用的な表現と、様々な下流タスクのパフォーマンスを高める記録条件の学習を目的としている。 本研究では,3つのジェスチャー分類データセットにまたがる3つのsEMG基礎モデルの系統的評価を行う。 プレトレーニングは,同じ記録セッションから列車と試験サンプルを引き出す際に性能を向上するが,この利点は対象間評価においてほとんど消失する。
• 参考スコア（独自算出の注目度）: 2.9518484213483904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: sEMG Foundation Models aim to learn general purpose representations over diverse subjects and recording conditions that boost performance on a variety of downstream tasks. However, existing evaluations make it difficult to discern whether pretraining alone is sufficient to combat the cross-subject overfitting which makes machine learning on sEMG so challenging. We conduct a systematic evaluation of three sEMG foundation models across three gesture classification datasets under both intra-session and inter-subject splits, using three fine-tuning strategies designed to isolate the contribution of pretraining. We find that pretraining boosts performance when train and test samples are drawn from the same recording session, but this benefit largely disappears under inter-subject evaluation. In low subject count datasets, pretraining provides little to no benefit and classical ML baselines match or exceed foundation model performance.
• Abstract（参考訳）: sEMG Foundation Modelsは、様々な課題に対する汎用的な表現と、様々な下流タスクのパフォーマンスを高める記録条件の学習を目的としている。 しかし、既存の評価では、SEMG上での機械学習を難しくするクロスオブジェクトオーバーフィッティングと戦うのに、事前学習だけで十分かどうかを見極めることは困難である。 本研究では,3つのジェスチャー分類データセットを対象とした3つのSEMG基礎モデルの体系的評価を行い,事前学習の貢献を分離するための3つの微調整戦略を用いた。 プレトレーニングは,同じ記録セッションから列車と試験サンプルを引き出す際に性能を向上するが,この利点は対象間評価においてほとんど消失する。 低被写体数データセットでは、事前トレーニングはほとんど利益を得られず、古典的なMLベースラインは基礎モデルのパフォーマンスと一致または超えている。

関連論文リスト

• SimReg: Achieving Higher Performance in the Pretraining via Embedding Similarity Regularization [55.63565289584336]
  SimRegは埋め込み類似性正規化損失であり、各シーケンス内で同じ基幹ラベルを持つトークン表現をより類似させる。 分析の結果, この機構は多分類マージンを増大させ, より効率的な分類を可能にした。
  論文  参考訳（メタデータ） (2026-05-09T08:59:13Z)
• EEG Foundation Models: Progresses, Benchmarking, and Open Problems [10.447009984769819]
  我々は、50の代表的なEEG基盤モデルをレビューし、その設計選択を統合された分類学的枠組みにまとめる。 9つのBCIパラダイムにまたがる13のEEGデータセットに対して、12のオープンソースファンデーションモデルと、競合するスペシャリストベースラインを評価します。
  論文  参考訳（メタデータ） (2026-01-25T15:28:50Z)
• ToReMi: Topic-Aware Data Reweighting for Dynamic Pre-Training Data Selection [28.75333303894706]
  ToReMiは、トピックの関連や観察された学習パターンに応じてトレーニングサンプル重量を調整する新しいフレームワークである。 実験の結果,ToReMiの変種は従来の事前学習手法よりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-04-01T12:06:42Z)
• CLIMB-3D: Continual Learning for Imbalanced 3D Instance Segmentation [67.36817440834251]
  我々はtextbfCLass-incremental textbfIm Balance-aware textbf3DIS の統一フレームワークを提案する。 提案手法は, 先行研究を最大16.76%まで上回り, セマンティックセマンティックセマンティックセマンティクスでは約30%のmIoUを達成している。
  論文  参考訳（メタデータ） (2025-02-24T18:58:58Z)
• You Only Need End-to-End Training for Long-Tailed Recognition [8.789819609485225]
  クロスエントロピー損失は、不均衡なデータに非常に相関した特徴をもたらす傾向にある。 ブロックベース相対平衡バッチサンプリング(B3RS)とバッチ埋め込みトレーニング(BET)の2つの新しいモジュールを提案する。 CIFAR-LT と ImageNet-LT の長期分類ベンチマークによる実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-12-11T11:44:09Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• An Empirical Investigation Towards Efficient Multi-Domain Language Model Pre-training [15.440627147018711]
  我々は破滅的忘れ(CF)を緩和するための既知の方法に関する実証的研究を行っている。 弾性重み統合は7つの一般的なタスクに対して0.33%の低下しか得られない,最高の総合スコアを提供する。
  論文  参考訳（メタデータ） (2020-10-01T09:20:18Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。