arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日__

arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日

可下载资源数量

已经购买

下载数量：1

单价	0 2.0
Coupon	100% 0%
Total	0 2.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日

¥ 2.0

热度

摘要。在机器学习 (ML) 文献中，一个众所周知的问题是数据集转移问题，与 ML 标准假设不同，训练和测试集中的数据可以遵循不同的概率分布，导致 ML 系统的泛化性能较差。这个问题在脑机接口 (BCI) 环境中尤为明显，其中经常使用脑电图 (EEG) 等生物信号。事实上，EEG 信号随时间和不同受试者之间的变化都非常不稳定。为了解决这个问题，提出了几种基于最新迁移学习方法（如域自适应 (DA)）的解决方案。然而，在一些情况下，改进的实际原因仍然不明确。本文重点关注数据规范化或与 DA 方法一起应用的标准化策略的影响。具体来说，使用 SEED、DEAP 和 BCI Competition IV 2a EEG 数据集，我们通过实验评估了使用和不使用几种知名 DA 方法时不同规范化策略的影响，并比较了获得的性能。结果表明，规范化策略的选择对 DA 场景中的分类器性能起着关键作用，有趣的是，在一些情况下，仅使用适当的规范化方案就能胜过 DA 技术。

添加pdf代下载 VIP点击下载文件