論文の概要: Contrastive and Multi-Task Learning on Noisy Brain Signals with Nonlinear Dynamical Signatures

• arxiv url: http://arxiv.org/abs/2601.08549v1
• Date: Tue, 13 Jan 2026 13:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.216878
• Title: Contrastive and Multi-Task Learning on Noisy Brain Signals with Nonlinear Dynamical Signatures
• Title（参考訳）: 非線形動的信号を用いた雑音脳信号のコントラスト学習とマルチタスク学習
• Authors: Sucheta Ghosh, Zahra Monfared, Felix Dietrich,
• Abstract要約: 脳波信号を解析するための2段階マルチタスク学習フレームワークを提案する。 第1段階では、デノナイジングオートエンコーダが、アーティファクトの抑制と時間的ダイナミクスの安定化のために訓練される。 第2段階では、マルチタスクアーキテクチャがこれらの識別された信号を処理し、3つの目的を達成する。
• 参考スコア（独自算出の注目度）: 5.37454752035459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a two-stage multitask learning framework for analyzing Electroencephalography (EEG) signals that integrates denoising, dynamical modeling, and representation learning. In the first stage, a denoising autoencoder is trained to suppress artifacts and stabilize temporal dynamics, providing robust signal representations. In the second stage, a multitask architecture processes these denoised signals to achieve three objectives: motor imagery classification, chaotic versus non-chaotic regime discrimination using Lyapunov exponent-based labels, and self-supervised contrastive representation learning with NT-Xent loss. A convolutional backbone combined with a Transformer encoder captures spatial-temporal structure, while the dynamical task encourages sensitivity to nonlinear brain dynamics. This staged design mitigates interference between reconstruction and discriminative goals, improves stability across datasets, and supports reproducible training by clearly separating noise reduction from higher-level feature learning. Empirical studies show that our framework not only enhances robustness and generalization but also surpasses strong baselines and recent state-of-the-art methods in EEG decoding, highlighting the effectiveness of combining denoising, dynamical features, and self-supervised learning.
• Abstract（参考訳）: 本稿では,脳波(EEG)信号を解析するための2段階のマルチタスク学習フレームワークについて紹介する。 最初の段階では、デノナイジングオートエンコーダが、アーティファクトの抑制と時間的ダイナミクスの安定化のために訓練され、ロバストな信号表現を提供する。 第2段階では、マルチタスクアーキテクチャがこれらの識別された信号を処理し、運動画像分類、リアプノフ指数に基づくラベルを用いたカオスと非カオスのレギュレーション判別、NT-Xent損失による自己教師付きコントラスト表現学習の3つの目的を達成する。 Transformerエンコーダと組み合わされた畳み込みバックボーンは時空間構造を捉え、動的タスクは非線形脳力学への感受性を促進する。 この段階的な設計は、再構成と識別目標の干渉を軽減し、データセット間の安定性を改善し、高レベルの特徴学習からノイズ低減を明確に分離することで再現可能なトレーニングを支援する。 実証的研究により,我々のフレームワークは強靭性や一般化を向上するだけでなく,脳波復号法における強靭性や最近の最先端手法を超越し,復号化,動的特徴,自己教師型学習の両立の有効性を強調した。

関連論文リスト

• Brain-Semantoks: Learning Semantic Tokens of Brain Dynamics with a Self-Distilled Foundation Model [0.27528170226206433]
  本稿では,脳力学の抽象表現を学習するための自己教師型フレームワークであるBrain-Semantoksを紹介する。 そのアーキテクチャは、2つの中核的なイノベーションの上に構築されている。これは、雑音の多い地域信号を機能的ネットワークを表す堅牢なトークンに集約するセマンティックトークンライザである。 線形プローブのみを用いても,学習した表現は様々な下流タスクにおいて高い性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-12-12T14:11:20Z)
• Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
  ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。 我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。 アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
  論文  参考訳（メタデータ） (2025-10-14T03:03:08Z)
• DynaMind: Reconstructing Dynamic Visual Scenes from EEG by Aligning Temporal Dynamics and Multimodal Semantics to Guided Diffusion [10.936858717759156]
  我々は、ニューラルダイナミクスとセマンティックな特徴を共同でモデリングすることで、映像を再構成する新しいフレームワークであるDynaMindを紹介する。 SEED-DVデータセットでは、DynaMindが新しい最先端(SOTA)を設定し、再構成されたビデオの精度を12.5と10.3%向上させた。 これは重要な進歩であり、神経力学と高忠実な視覚意味論のギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-01T06:52:08Z)
• Spatial-Temporal Transformer with Curriculum Learning for EEG-Based Emotion Recognition [2.847161275680418]
  SST-CLは、空間時間変換器とカリキュラム学習を統合した新しいフレームワークである。 力に敏感なカリキュラム学習戦略は、高強度から低強度の感情状態へのトレーニングを指導する。 3つのベンチマークデータセットの実験では、様々な感情的強度レベルにわたる最先端のパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-07-19T17:23:38Z)
• Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
  本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。 大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。 我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-15T03:22:03Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
  Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。 既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。 そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T03:08:13Z)

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。