人脑 - 机器接口稳健控制的动态集成贝叶斯滤波器
脑机接口(BCIs)提供了从大脑到外部设备的直接路径,具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号,提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验,证明了所提出的联合学习过程在学习效率和效果上的优势。
Aug, 2023
介绍了一种新的计算方法,可以从神经数据的低维潜在表示中解码运动意图,并实施各种域自适应方法来稳定配合方式。 使用 Adversarial Domain Adaptation 网络训练,此方法在解决域适应问题方面表现出众,而且只需要极少的数据点。
Sep, 2018
利用随机特征逼近实现可伸缩、在线的高斯过程集成学习方法可广泛应用于不同的基础扩展模型,并能更好地选择具体的基础扩展方式。同时,能够将多种完全不同的模型进行集成,包括高斯过程和多项式回归。最后,提出了一种新颖的将静态和动态模型进行集成的方法。
May, 2024
利用脑机接口从人脑中提取高级认知,结合具备高效特征提取能力的计算机视觉技术,可实现对航空图像中微弱目标更强大、更准确的检测。本文首先构建了基于脑眼计算机的航空图像目标检测系统,通过基于眼动追踪的慢速串联视觉呈现范式在脑电图中激发事件相关电位(ERP)信号,并将眼动数据和图像数据构建成脑电图 - 图像数据对。然后,提出了一种自适应模态平衡的在线知识蒸馏(AMBOKD)方法,用于利用脑电图 - 图像数据识别微弱目标。AMBOKD 利用多头注意力模块将脑电图和图像特征融合,构建具备全面特征的新模态。为了提升融合模态的性能和鲁棒能力,采用端到端在线知识蒸馏实现模态之间的同时训练和相互学习。在学习过程中,提出了一种自适应模态平衡模块,通过动态调整各种模态的重要性权重和训练梯度来确保多模态平衡。通过与现有先进方法的比较,验证了我们方法的有效性和优越性。此外,对公共数据集进行的实验和在真实场景中的系统验证也证明了提出的系统和设计方法的可靠性和实用性。
Jul, 2024
通过将贝叶斯神经网络与传统机器学习算法(如随机森林、梯度提升、支持向量机)协同集成的一种新方法,强调了特征集成在优化中的重要性,包括优化的二阶条件,如哈西矩阵的定态性和正定性。与此相反,超参数调整对于改善预期改进(EI (x))的影响有所削弱。总体而言,集成方法作为一种稳健的、算法优化的方法表现出色。
Oct, 2023
通过使用图神经网络和转移学习技术,可以有效地从多个使用不同电极布局的 EEG 数据集中聚合知识,从而在主体独立的 MI EEG 分类中实现更好的泛化。
Jun, 2023
本研究介绍了一种 Bayesian 非参数集成学习方法,利用不同噪声和错误源的 Bayesian 非参数机制,对现有集成学习模型进行改进,以充分量化模型的不确定性,并将整体预测不确定性分解为不同的部分,实现了在噪声和错误较多的情况下,对空气污染暴露的预测及模型的偏差检测。
Nov, 2019
提出了一种基于最大边际相关性(Maximal Marginal Relevance)的全新集成构建和维护方法(DynED),该方法在构建集成的过程中动态地将组件的多样性和预测准确性进行结合,实验结果表明,与五种最新方法相比,该方法在四个真实和 11 个合成数据集上提供了更高的平均准确度。
Aug, 2023
该论文介绍了一种基于贝叶斯原理的神经网络反演方法,利用对先验分布采样的数据正则化参数,从而提高神经网络模型的预测不确定性识别和量化能力。经过理论和实证分析,该方法相对于传统的平均集成技术具有更好的性能表现。
Oct, 2018