a%, 5.59
a%, 6.69
a%, 4.83
a%である。さらに本フレームワークは、臨床的なうつ病の識別シナリオにも効果的に一般化し、現実の異種環境における頑健性を裏付ける。ソースコードは\textit{\https://github.com/WuCB-BCI/PAA}で公開されている。
異種コーパス間EEG感情認識のための境界認識型プロトタイプ駆動敵対的アラインメント
arXiv cs.LG / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、異質なデータセット間でモデルを転移するとEEGベースの感情認識性能が低下する問題を扱い、その原因を生理的変動、パラダイムの違い、デバイス不一致にあるとしている。
- 3段階の派生バリアント（PAA-L、PAA-C、PAA-M）を備えた統一型のプロトタイプ駆動敵対的アラインメント（PAA）フレームワークを提案し、局所的なクラス条件付きアラインメント、対照的な意味の正則化、そして最終的に意思決定境界近傍での境界認識型の洗練を追加する。
- 完全なPAA-M構成では、関係認識型の二つの分類器と3段階の敵対的最適化手順を用いることで、クラス条件付きの不一致と意思決定境界の歪みを抑え、ラベルノイズ下での安定性を向上させる。
- SEED、SEED-IV、SEED-Vに対して4種類のクロスコーパス・プロトコルで実験を行った結果、平均で約4.8%〜6.7%の改善を達成し、最先端の性能を示す。
- 本手法は関連する臨床タスク（うつ病の識別）にも転用でき、現実の異種環境において感情認識を超えた頑健性が示唆されており、著者らはGitHubでコードを公開している。
