論文の概要: BrainStack: Neuro-MoE with Functionally Guided Expert Routing for EEG-Based Language Decoding

• arxiv url: http://arxiv.org/abs/2601.21148v1
• Date: Thu, 29 Jan 2026 01:04:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.497561
• Title: BrainStack: Neuro-MoE with Functionally Guided Expert Routing for EEG-Based Language Decoding
• Title（参考訳）: BrainStack: EEGベースの言語デコーディングのための機能的なガイド付きエキスパートルーティングを備えたNeuro-MoE
• Authors: Ziyi Zhao, Jinzhao Zhou, Xiaowei Jiang, Beining Cao, Wenhao Ma, Yang Shen, Ren Li, Yu-Kai Wang, Chin-teng Lin,
• Abstract要約: 脳電図(EEG)から言語情報を復号することは、脳の分散した非線形構造のために依然として困難である。 我々は、解剖学的に分割された専門家ネットワークを通じて、脳のモジュラー機能アーキテクチャをモデル化する、Neuro-MoE(Neuro-MoE)フレームワークであるBrainStackを紹介する。 我々はBrainStackを神経科学の先駆者を適応的な専門家のルーティングで統一し、スケーラブルで解釈可能な脳言語デコーディングの道を開く、機能的にモジュール化された神経インスパイアされたMoEパラダイムとして確立した。
• 参考スコア（独自算出の注目度）: 33.680085073839535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding linguistic information from electroencephalography (EEG) remains challenging due to the brain's distributed and nonlinear organization. We present BrainStack, a functionally guided neuro-mixture-of-experts (Neuro-MoE) framework that models the brain's modular functional architecture through anatomically partitioned expert networks. Each functional region is represented by a specialized expert that learns localized neural dynamics, while a transformer-based global expert captures cross-regional dependencies. A learnable routing gate adaptively aggregates these heterogeneous experts, enabling context-dependent expert coordination and selective fusion. To promote coherent representation across the hierarchy, we introduce cross-regional distillation, where the global expert provides top-down regularization to the regional experts. We further release SilentSpeech-EEG (SS-EEG), a large-scale benchmark comprising over 120 hours of EEG recordings from 12 subjects performing 24 silent words, the largest dataset of its kind. Experiments demonstrate that BrainStack consistently outperforms state-of-the-art models, achieving superior accuracy and generalization across subjects. Our results establish BrainStack as a functionally modular, neuro-inspired MoE paradigm that unifies neuroscientific priors with adaptive expert routing, paving the way for scalable and interpretable brain-language decoding.
• Abstract（参考訳）: 脳電図(EEG)から言語情報を復号することは、脳の分散した非線形構造のために依然として困難である。 我々は、解剖学的に分割された専門家ネットワークを通じて、脳のモジュラー機能アーキテクチャをモデル化する、機能的にガイドされたニューロミックス・オブ・エキスパート(Neuro-MoE)フレームワークであるBrainStackを紹介する。 各機能領域は、局所的なニューラルダイナミクスを学ぶ専門専門家によって表現され、トランスフォーマーベースのグローバルエキスパートは、リージョン間の依存関係をキャプチャする。 学習可能なルーティングゲートは、これらの異種の専門家を適応的に集約し、コンテキスト依存の専門家調整と選択的融合を可能にする。 階層間のコヒーレントな表現を促進するために,グローバル専門家が地域専門家にトップダウン正規化を提供するクロスリージョン蒸留を導入する。 我々はさらに、12人の被験者による120時間以上の脳波記録を含む大規模なベンチマークであるSilentSpeech-EEG(SS-EEG)をリリースしました。 実験によると、BrainStackは最先端のモデルよりも一貫して優れており、被験者全体にわたって優れた精度と一般化を実現している。 我々はBrainStackを神経科学の先駆者を適応的な専門家のルーティングで統一し、スケーラブルで解釈可能な脳言語デコーディングの道を開く、機能的にモジュール化された神経インスパイアされたMoEパラダイムとして確立した。

関連論文リスト

• CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
  脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。 これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
  論文  参考訳（メタデータ） (2025-06-29T03:29:34Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• MoRE-Brain: Routed Mixture of Experts for Interpretable and Generalizable Cross-Subject fMRI Visual Decoding [33.48831679514482]
  MoRE-Brainは、高忠実で適応性があり、解釈可能な視覚再構成のために設計された、神経にインスパイアされたフレームワークである。 階層的なMixture-of-Expertsアーキテクチャを採用しており、専門家がfMRI信号を処理している。 MoRE-Brainは、より一般化され、解釈可能なfMRIベースのビジュアルデコードへと大きく進歩している。
  論文  参考訳（メタデータ） (2025-05-21T19:02:54Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Du-IN: Discrete units-guided mask modeling for decoding speech from Intracranial Neural signals [5.283718601431859]
  エレクトロコルチコグラフィー(ECoG)を用いた脳-コンピュータインタフェースは,医療応用における高性能音声復号化を約束している。 離散コーデックス誘導マスクモデリングにより,領域レベルのトークンに基づくコンテキスト埋め込みを抽出するDu-INモデルを開発した。 本モデルでは,61ワードの分類タスクにおいて,すべてのベースラインを越えながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-05-19T06:00:36Z)

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。