通过自适应张量核机器实现脑电图癫痫检测的高效迁移学习
机器学习
2025-12-03 v1 信号处理
摘要
迁移学习旨在通过学习相关源问题来优化目标任务的性能。本文提出一种使用张量核机器的高效迁移学习方法。我们的方法借鉴了自适应SVM的思路，因此通过正则化将“知识”从源模型迁移到“适应”模型。使用张量核机器的主要优势在于，它们利用低秩张量网络在 primal 域中学习紧凑的非线性模型。这使得在不增加模型参数的前提下实现更高效的适应。为展示我们方法的有效性，我们将自适应张量核机器(Adapt-TKM)应用于behind-ear EEG的癫痫检测。通过对患者独立模型进行小量患者特定数据的个性化，能够实现患者适应模型(即利用Adapt-TKM)，在性能上优于患者独立模型和完全患者特定模型。值得注意的是，它能够实现这一点，同时只需约100倍于自适应SVM模型的参数量，从而实现相应的推理速度提升。这使得Adapt-TKM特别适用于资源受限的可穿戴设备。
引用
@article{arxiv.2512.02626,
title = {Adapting Tensor Kernel Machines to Enable Efficient Transfer Learning for Seizure Detection},
author = {Seline J. S. de Rooij and Borbála Hunyadi},
journal= {arXiv preprint arXiv:2512.02626},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication