論文の概要: NeuroSketch: An Effective Framework for Neural Decoding via Systematic Architectural Optimization

• arxiv url: http://arxiv.org/abs/2512.09524v1
• Date: Wed, 10 Dec 2025 11:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.490798
• Title: NeuroSketch: An Effective Framework for Neural Decoding via Systematic Architectural Optimization
• Title（参考訳）: NeuroSketch: システムアーキテクチャ最適化によるニューラルネットワークデコーディングの効果的なフレームワーク
• Authors: Gaorui Zhang, Zhizhang Yuan, Jialan Yang, Junru Chen, Li Meng, Yang Yang,
• Abstract要約: 本稿では,システムアーキテクチャ最適化によるニューラルデコーディングの効果的なフレームワークであるNeuroSketchを提案する。 CNN-2Dは、ニューラルデコードタスクにおいて他のアーキテクチャよりも優れ、時間的および空間的視点からその効果を探求する。 NeuroSketchは、すべての評価データセットにわたる最先端(SOTA)のパフォーマンスを実現し、ニューラルデコーディングの強力なツールとして位置付ける。
• 参考スコア（独自算出の注目度）: 9.347904606855167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural decoding, a critical component of Brain-Computer Interface (BCI), has recently attracted increasing research interest. Previous research has focused on leveraging signal processing and deep learning methods to enhance neural decoding performance. However, the in-depth exploration of model architectures remains underexplored, despite its proven effectiveness in other tasks such as energy forecasting and image classification. In this study, we propose NeuroSketch, an effective framework for neural decoding via systematic architecture optimization. Starting with the basic architecture study, we find that CNN-2D outperforms other architectures in neural decoding tasks and explore its effectiveness from temporal and spatial perspectives. Building on this, we optimize the architecture from macro- to micro-level, achieving improvements in performance at each step. The exploration process and model validations take over 5,000 experiments spanning three distinct modalities (visual, auditory, and speech), three types of brain signals (EEG, SEEG, and ECoG), and eight diverse decoding tasks. Experimental results indicate that NeuroSketch achieves state-of-the-art (SOTA) performance across all evaluated datasets, positioning it as a powerful tool for neural decoding. Our code and scripts are available at https://github.com/Galaxy-Dawn/NeuroSketch.
• Abstract（参考訳）: Brain-Computer Interface (BCI) の重要なコンポーネントであるニューラルデコーディングは、最近研究の関心を集めている。 従来の研究では、信号処理とディープラーニング手法を活用して、ニューラルデコード性能を向上させることに集中していた。 しかし、エネルギー予測や画像分類といった他のタスクで有効であることが証明されたにもかかわらず、モデルアーキテクチャの詳細な探索はいまだに未調査である。 本研究では,システムアーキテクチャ最適化によるニューラルデコーディングの効果的なフレームワークであるNeuroSketchを提案する。 基本的なアーキテクチャ研究から、CNN-2Dはニューラルデコードタスクにおいて他のアーキテクチャよりも優れており、時間的および空間的視点からその効果を探求する。 これに基づいて、アーキテクチャをマクロレベルからマイクロレベルに最適化し、各ステップにおけるパフォーマンスの改善を実現します。 探索プロセスとモデル検証は、3つの異なるモード(視覚、聴覚、音声)、3種類の脳信号(EEG、SEEG、ECoG)、8つの多様な復号タスクにまたがる5000以上の実験を行う。 実験結果から、NeuroSketchはすべての評価データセットで最先端(SOTA)のパフォーマンスを達成し、ニューラルデコーディングの強力なツールとして位置づけていることが示唆された。 私たちのコードとスクリプトはhttps://github.com/Galaxy-Dawn/NeuroSketch.comで入手可能です。

関連論文リスト

• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
  本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。 NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-31T10:16:10Z)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)
• Accelerating Neural Architecture Exploration Across Modalities Using Genetic Algorithms [5.620334754517149]
  多目的アーキテクチャ探索を加速するために, 遺伝的アルゴリズムと軽量に訓練された客観予測器を反復サイクルで組み合わせる方法を示す。 NASの研究はコンピュータビジョンのタスクを中心に行われており、最近になって自然言語処理の急速な発展など他のモダリティも深く研究されている。
  論文  参考訳（メタデータ） (2022-02-25T20:01:36Z)
• Learning Interpretable Models Through Multi-Objective Neural Architecture Search [0.9990687944474739]
  本稿では,タスク性能と「イントロスペクタビリティ」の両方を最適化するフレームワークを提案する。 タスクエラーとイントロスペクタビリティを共同で最適化することは、エラー内で実行されるより不整合でデバッグ可能なアーキテクチャをもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-12-16T05:50:55Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• Evolutionary Neural Architecture Search for Retinal Vessel Segmentation [2.0159253466233222]
  網膜血管分割のためのエンコーダデコーダアーキテクチャを最適化するために、ニューラルアーキテクチャサーチ(NAS)を適用した新しいアプローチを提案する。 修正された進化的アルゴリズムは、限られた計算資源を持つエンコーダ・デコーダフレームワークのアーキテクチャの進化に使用される。 クロストレーニングの結果、進化したモデルには相当な拡張性があり、臨床疾患の診断に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2020-01-18T15:07:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。