![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日](/simg/8/8f356a446106fa426e26fa37e843b7b04dfdbeb3.webp)
机构名称：
¥ 2.0
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。
arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日
主要关键词
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日PDF文件第1页](/bimg/b/b3f567d87a9a24f896a4e77e41c387f00d624824.webp)
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日PDF文件第2页](/bimg/a/a629c14410ee9de2af5ba5a9cd67fc12cf76616c.webp)
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日PDF文件第3页](/bimg/3/3b619a60ad7d6fefb6ee0f72f82bde543f8fa740.webp)
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日PDF文件第4页](/bimg/0/0404b581f0f4aceaef4bb6767ef30d0cdbc2716a.webp)
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日PDF文件第5页](/bimg/a/a4577013cbfdc06e95f9c3f96fbb8dd4f3988560.webp)
相关文件推荐
![arXiv:2310.16046v1 [cs.LG] 2023 年 10 月 24 日](/simg/7/705164f248fcc8011f3de675502f5d7209fbaee8.webp)
![arXiv:2209.01198v4 [cs.LG] 2023 年 3 月 13 日](/simg/2/2cb2d57dc929610873347294d80d708a6a729cb2.webp)
![arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日](/simg/9/96062bd58a616626c5330b31a0f56969e5dc0842.webp)
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日](/simg/f/fb020348d55c0fbb9129702104facb46a48991f0.webp)
![arXiv:2209.01646v3 [cs.CL] 2023 年 10 月 24 日](/simg/b/b7e6a9ae6b38ee9c06b20450fe2c26f4763d6541.webp)
![arXiv:2303.10397v1 [quant-ph] 2023 年 3 月 18 日](/simg/2/235ee0aaf0aa29092ffd7c0f5dc02107bf735b71.webp)
![arXiv:2301.09822v1 [cond-mat.mtrl-sci] 2023 年 1 月 24 日](/simg/9/9ddc127ed521991e5ba871211ad40ab355387597.webp)
