論文の概要: NeuroWeaver: An Autonomous Evolutionary Agent for Exploring the Programmatic Space of EEG Analysis Pipelines

• arxiv url: http://arxiv.org/abs/2602.13473v1
• Date: Fri, 13 Feb 2026 21:26:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.043625
• Title: NeuroWeaver: An Autonomous Evolutionary Agent for Exploring the Programmatic Space of EEG Analysis Pipelines
• Title（参考訳）: NeuroWeaver: 脳波分析パイプラインのプログラム空間を探索する自律進化エージェント
• Authors: Guoan Wang, Shihao Yang, Jun-En Ding, Hao Zhu, Feng Liu,
• Abstract要約: 我々は、多様なEEGデータセットとタスクをまたいだ一般化を意図した、統合された自律進化エージェントであるNeuroWeaverを提案する。 NeuroWeaverは、最先端のタスク固有のメソッドを一貫して上回り、大規模ファンデーションモデルに匹敵するパフォーマンスを実現する軽量ソリューションを合成する。
• 参考スコア（独自算出の注目度）: 11.51370622964103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although foundation models have demonstrated remarkable success in general domains, the application of these models to electroencephalography (EEG) analysis is constrained by substantial data requirements and high parameterization. These factors incur prohibitive computational costs, thereby impeding deployment in resource-constrained clinical environments. Conversely, general-purpose automated machine learning frameworks are often ill-suited for this domain, as exploration within an unbounded programmatic space fails to incorporate essential neurophysiological priors and frequently yields solutions that lack scientific plausibility. To address these limitations, we propose NeuroWeaver, a unified autonomous evolutionary agent designed to generalize across diverse EEG datasets and tasks by reformulating pipeline engineering as a discrete constrained optimization problem. Specifically, we employ a Domain-Informed Subspace Initialization to confine the search to neuroscientifically plausible manifolds, coupled with a Multi-Objective Evolutionary Optimization that dynamically balances performance, novelty, and efficiency via self-reflective refinement. Empirical evaluations across five heterogeneous benchmarks demonstrate that NeuroWeaver synthesizes lightweight solutions that consistently outperform state-of-the-art task-specific methods and achieve performance comparable to large-scale foundation models, despite utilizing significantly fewer parameters.
• Abstract（参考訳）: 基礎モデルは一般的な領域で顕著な成功を収めてきたが、脳波(EEG)解析へのこれらのモデルの適用は、かなりのデータ要求と高いパラメータ化によって制限されている。 これらの要因は計算コストの禁止を招き、リソース制約された臨床環境への展開を妨げる。 逆に、汎用的な自動機械学習フレームワークは、非有界なプログラム空間での探索が必須の神経生理学的前提を組み込まず、科学的妥当性に欠けるソリューションをしばしば得るため、この領域に不適当であることが多い。 これらの制約に対処するために、パイプライン工学を離散的な制約付き最適化問題として再構成することで、多様なEEGデータセットやタスクをまたいだ一般化を意図した、統合された自律進化エージェントであるNeuroWeaverを提案する。 具体的には、神経科学的に妥当な多様体への探索を抑えるために、ドメインインフォームド部分空間初期化(Domain-Informed Subspace Initialization)を採用し、動的に性能、ノベルティ、効率のバランスをとる多目的進化最適化(Multi-Objective Evolutionary Optimization)と組み合わせる。 5つの異種ベンチマークによる実証評価では、NeuroWeaverは、パラメータが大幅に少ないにもかかわらず、最先端のタスク固有のメソッドを一貫して上回り、大規模基盤モデルに匹敵するパフォーマンスを実現する軽量なソリューションを合成している。

関連論文リスト

• Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
  大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。 本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。 本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
  論文  参考訳（メタデータ） (2025-07-12T08:10:10Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Applications of Nature-Inspired Metaheuristic Algorithms for Tackling Optimization Problems Across Disciplines [12.664160352147293]
  本稿では,自然に着想を得たメタヒューリスティックアルゴリズムの有用性を示す。 本研究の主な目的は,CSO-MAのようなメタヒューリスティックなアルゴリズムが,統計学における様々な種類の最適化問題に取り組むのに効率的であることを示すことである。
  論文  参考訳（メタデータ） (2023-08-08T16:41:33Z)
• Deep Learning-based surrogate models for parametrized PDEs: handling geometric variability through graph neural networks [0.0]
  本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。 本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。 GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
  論文  参考訳（メタデータ） (2023-08-03T08:14:28Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)

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。