AutoTransfer：基于生物信号数据审查表示的主体迁移学习
机器学习
2022-05-12 v2 机器学习
摘要
我们提供了一种主体迁移学习的正则化框架，其中我们寻求训练编码器与分类器以最小化分类损失，同时受限于衡量潜表示与主体标签之间独立性的惩罚项。我们引入三种独立性概念及相应的惩罚项，使用互信息或散度作为独立性的代理。对于每个惩罚项，我们提供若干具体估计算法，采用解析方法以及神经评判函数。我们提供了一种将该多样正则化算法家族应用于新数据集的自动化策略，称为“AutoTransfer”。我们在 EEG、EMG 和 ECoG 数据集上评估了这些独立正则化策略及我们的 AutoTransfer 方法的性能，表明这些方法能够改善具有挑战性的真实世界数据集上的主体迁移学习。
引用
@article{arxiv.2112.09796,
title = {AutoTransfer: Subject Transfer Learning with Censored Representations on Biosignals Data},
author = {Niklas Smedemark-Margulies and Ye Wang and Toshiaki Koike-Akino and Deniz Erdogmus},
journal= {arXiv preprint arXiv:2112.09796},
year = {2022}
}
备注
17 page extended version of International Engineering in Medicine and Biology Conference 2022 paper