Group Learning by Joint Alignment in the Riemannian Tangent Space - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Group Learning by Joint Alignment in the Riemannian Tangent Space

Résumé

n the brain-computer interface (BCI) field the machine learning models are usually trained for each subjectand each session separately, since data are misaligned between subjects and between sessions. In this article wepropose a method for group learning, that is, for learning from many different subjects and/or sessions after jointlyaligning them. Our method is inspired from the literature on joint blind source separation. As a demonstration, we fita unique machine learning model on a 22-subject BCI database and we apply such a group model to predict test dataon all subjects alike. We observe a highly significant average 6.8-point accuracy increase as compared to the classicalindividual train-test setting. Our method is general and may be applied in any applications. For instance, it may beused to fit machine learning models requiring very large amount of data, such as deep neuronal networks.
Dans le domaine des interfaces cerveau-ordinateur (ICO), les modèles d'apprentissage sont typiquement entrainés sur chaque sujet et chaque session séparément, comme les données ne sont pas alignées entre sessions et entre sujets. Ici nous proposons une méthode pour l'apprentissage de groupe, c'est-à-dire pour l'apprentissage simultané à l'aide de plusieurs sujets et/ou sessions, après les avoir alignés de façon conjointe. Notre méthode s'inspire de la littérature sur la séparation aveugle de source. Comme démonstration, nous entrainons un modèle unique d'apprentissage sur une base de données de 22 sujets et nous appliquons ce modèle de groupe pour prédire les données de test de façon analogue pour tous les sujets. Nous observons une augmentation moyenne conséquente de 6.8 points de précision comparé à un paramétrage entrainement-test individuel classique. Notre méthode est générique et peut être employée dans n'importe quelle application. Elle peut aussi être utilisée pour entrainer des modèles d'apprentissage qui requièrent un très grand nombre de données, tel que les réseaux de neurones profonds.
Fichier principal
Vignette du fichier
Congedo et al.pdf (889.09 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03778481 , version 1 (15-09-2022)

Identifiants

  • HAL Id : hal-03778481 , version 1

Citer

Marco Congedo, Alexandre Bleuzé, Jérémie Mattout. Group Learning by Joint Alignment in the Riemannian Tangent Space. GRETSI 2022 - XXVIIIème Colloque Francophone de Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨hal-03778481⟩
66 Consultations
85 Téléchargements

Partager

Gmail Facebook X LinkedIn More