无监督转移学习方法与适应性重权和重新抽样策略,用于基于EOG的跨学科视角估计

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 基于电眼图 (EOG) 的目光估计得到了广泛的研究,但由于对象之间显著的变化,它面临着挑战.
• 这种变化导致实际的目光估计应用中的性能下降.

研究的目的:

• 建议采用无监督转移学习方法,采用自适应重量和重新采样 (ARR) 策略,以解决基于EOG的视角估计中的学科间变异性.
• 量化领域转移,并调整源数据以改善模型培训.

主要方法:

• 一种无监督转移学习方法,使用适应性重权和重新采样 (ARR) 策略.
• 通过分解多源和目标域之间的转换矩阵来量化域转移.
• 根据从域名转移中获得的加权指标,重新加权和重新抽样源数据.

主要成果:

• 该ARR策略显著改善了目光估计性能,将平均绝对误差 (MAE) 降低了7.0%,根平均平方误差 (RMSE) 降低了6.3%.
• 拟议的方法优于当前的转移学习技术,如CORAL,GFK,JDA,TCA和BDA.
• 发现数据大小对ARR策略的有效性比数据多样性更为关键.

结论:

• 适应性重权和重新采样 (ARR) 策略有效地减轻了基于EOG的视角估计中主体间的变化.
• ARR策略为实际的目光估计场景提供了强大的解决方案,比现有方法表现出更高的性能.