Dual Contrastive Training and Transferability-Aware Adaptation for Multisource Privacy-Preserving Motor Imagery Classification
Notice bibliographique
Résumé
Motor imagery (MI) is one of the brain–computer interface (BCI) paradigms that allows a participant to mentally imagine the movement execution without moving physically by electroencephalogram (EEG). The MI signals vary dramatically among multiple subjects, which makes the MI classification task extremely challenging, because the model trained on one subject may totally fail on another one. Furthermore, privacy concerns always arise as the EEG contains sensitive health and mental information. In this article, we propose an unsupervised multisource-free domain adaptation (DA) algorithm to reduce the discrepancy between the individual MI signals and protect individual privacy simultaneously. Specifically, in the source training phase, we fully leverage the labels of the source data in an instance-contrast fashion guided by a contrastive cross-entropy loss and learn the intrinsic structure inside the data in a category-consistent way by a categorical contrastive loss. In the target adaptation phase, our model only accesses the parameters of the source models instead of the source data for privacy preservation. To achieve this, we propose to ensemble the source models by linear combination and then theoretically explain why the target model performs better than or equal to the arbitrary source model. We further keep our model’s attention to the transferability of the source models by estimating the maximum value of label evidence to prevent noise accumulation when generating pseudo-labels. Sufficient experiments on three datasets with similar properties demonstrate our model outperforms state-of-the-art methods for cross-subject MI classification tasks. Our source code is available athttps://github.com/grilled-chicken-burger/bcifor noncommercial use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».