Dec, 2018

对抗性变分自编码器在脑机接口中的迁移学习

PDF
TL;DR本研究介绍了对抗神经网络在大脑 - 计算机界面（BCI）传递学习中作为表征学习的新方法。该方法旨在通过同时训练条件变分自动编码器（cVAE）和对抗网络来学习主体不变的表示，我们使用浅卷积结构实现 cVAE，并将学习的编码器转移到未见 BCI 用户的数据中。我们通过电子脑电图（EEG）数据对该方法进行了概念验证，其中记录了运动想象 BCI 实验时的数据。
adversarial neural networksrepresentation learningbrain-computer interfacesconditional variational autoencoderelectroencephalographic data
发现论文，激发创造
  • 用于脑机接口诱发电位的跨受试者深度转移模型

    本文介绍一种基于深度学习的脑机接口技术，通过使用多组数据进行训练，实现了一定的性能，同时通过迁移学习，使得该技术能够用于不同用户，从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题，该技术有望提高脑机接口技术的临床应用性和可行性。

    Jan, 2023

  • 可解释的句子表示：变分自编码器和注意力机制

    提出使用变分自编码器和 Transformers 构建两种具有归纳偏置的模型，可将潜在表示中的信息分离成可理解的概念，其中 QKVAE 在转移实验中表现出竞争性能，并展示了明显的优化句法角色分离能力。

    May, 2023

  • 脑机接口深度表示学习技术评述及建议

    综述了 81 篇应用深度表示学习技术进行 BCI 解码的文章，发现自编码器是最常用的深度表示学习技术，同时呼吁为 EEG 信号解码专门设计基础模型，并建立专门的基准和数据集来促进其发展和持续改进。

    May, 2024

  • 基于语言模型的配对变分自编码器用于机器人语言学习

    研究了通过预训练语言模型进行机器人的语言描述，在简单的物体操作场景下，实现了机器人行为和语言描述的双向绑定，并提出使用所提供的 PVAE-BERT 模型可以在真实场景中用于实现人机交互的指令。

    Jan, 2022

  • vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

    该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

    Nov, 2023

  • 变分分类

    通过引入潜在变量建模和采用基于证据下界（ELBO）的训练目标，我们提出了一种名为变分分类（VC）的传统神经网络方法的新扩展，它通过对抗性方法进行优化。我们的 VC 模型在设计选择方面具有更大的灵活性，特别是类条件潜在先验的选择。对图像和文本分类数据集的实证评估表明，我们的方法在维持预测精度的同时改善了其他可取的特性，例如校准和对抗性鲁棒性，即使应用于外部域的数据。

    May, 2023

  • BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

    本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

    Jan, 2021

  • 基于脑 - 机接口的 EEG 对抗性伪影检测

    本文首次研究了基于 EEG 的脑机接口中的对抗检测问题，并使用三个卷积神经网络对两个 EEG 数据集进行了实验，结果表明，白盒攻击和黑盒攻击都可以被检测到，但前者更容易被检测。

    Nov, 2022

  • 使用无监督深度学习进行早期视觉概念学习

    本文提出了一种基于无监督学习、从神经科学中获得灵感的方法，利用变分自编码器对图像数据进行学习，从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中，同时还有零样本推理和直观理解的优点。

    Jun, 2016

  • 去耦合对抗自编码器用于无主体差异生理特征提取

    提出了一种针对生理感知变异性的对抗特征提取器来实现基于转移学习的通用特征提取，结果表明在跨学科转移评估中，该框架可以提高分类平均准确率达到 8.8％，并能适应更广泛的实验对象。

    Aug, 2020