インスタンス-ラベルダイナミクスを活用した相互アンカーコントラスト学習による少数ショット関係抽出 学術的背景 自然言語処理（Natural Language Processing, NLP）の分野において、関係抽出（Relation Extraction, RE）は、テキストからエンティティ間の関係を識別し抽出するための基本的なタスクです。しかし、従来の教師あり学習手法は大量のアノテーションデータに依存しており、実際の応用ではアノテーションデータの不足がモデルの性能を大きく制約しています。この課題に対応するため、少数ショット関係抽出（Few-Shot Relation Extraction, FSRE）が登場し、少量のアノテーションデータでモデルを訓練し、限られたサンプルでも正確にエンティテ...

複数スケールの双曲的コントラスト学習に基づく被験者間脳波感情認識に関する研究 学術的背景 脳波（Electroencephalography, EEG）は生理信号として、感情計算（Affective Computing）分野で重要な役割を果たしています。従来の非生理的な手がかり（顔の表情や声など）と比較して、EEG信号は高い時間分解能と客観性を持ち、人間の感情状態をより信頼性高く反映できます。しかし、EEG信号には顕著な個体差があり、これが被験者間（Cross-Subject）感情認識において課題となっています。異なる被験者のEEG信号は年齢、心理状態、認知特性などの多様な要因に影響され、事前学習モデルの新しい被験者に対する汎化能力が低下する原因となります。 この課題に対処するために、研究者...

ドメイン適応セマンティックセグメンテーションにおける新たな視点：T2S-DAの研究 背景と研究の重要性 セマンティックセグメンテーションは、コンピュータビジョン分野において重要な応用を持つが、その性能は大量のアノテーションデータに依存することが多い。しかし、アノテーションデータの収集は特に複雑なシーンでは非常にコストが高いため、多くの研究がアノテーション要件を軽減するために合成データの利用に注目している。しかし、ドメイン間のギャップ（domain gap）の存在により、合成データで学習されたモデルが現実のシナリオに一般化するのは難しい。このような状況で、無教師ドメイン適応（Unsupervised Domain Adaptation, UDA）手法がこの問題を解決するための効果的なアプローチ...