論文の概要: Structured Prototype-Guided Adaptation for EEG Foundation Models

• arxiv url: http://arxiv.org/abs/2602.17251v1
• Date: Thu, 19 Feb 2026 10:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.925606
• Title: Structured Prototype-Guided Adaptation for EEG Foundation Models
• Title（参考訳）: 脳波基礎モデルのための構造化プロトタイプ誘導適応
• Authors: Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng,
• Abstract要約: 脳波基礎モデルでは、主観レベルの監督が限定されている場合、一般化が不十分であることが示されている。 この失敗は、ノイズ、限られた監督とEMFの高可塑性パラメータ空間の間の構造的ミスマッチに起因する。 EFMファインチューニングのための構造化COnfidence対応プロトタイプ誘導適応フレームワークSCOPEを提案する。
• 参考スコア（独自算出の注目度）: 56.35233377493694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) foundation models (EFMs) have achieved strong performance under full fine-tuning but exhibit poor generalization when subject-level supervision is limited, a common constraint in real-world clinical settings. We show that this failure stems not merely from limited supervision, but from a structural mismatch between noisy, limited supervision and the highly plastic parameter space of EFMs. To address this challenge, we propose SCOPE, a Structured COnfidence-aware Prototype-guided adaptation framework for EFM fine-tuning. SCOPE follows a two-stage pipeline. In the first stage, we construct reliable external supervision by learning geometry-regularized task priors, constructing balanced class-level prototypes over the resulting embeddings, and producing confidence-aware pseudo-labels from their agreement to filter unreliable signals on unlabeled data. In the second stage, we introduce ProAdapter, which adapts frozen EEG foundation models via a lightweight adapter conditioned on the structured prototypes. Experiments across three EEG tasks and five foundation model backbones demonstrate that SCOPE consistently achieves strong performance and efficiency under label-limited cross-subject settings.
• Abstract（参考訳）: 脳波基礎モデル (Electroencephalography, EG) は, フル微調整下では高い性能を示したが, 対象レベルの監督が限定された場合の一般化は不十分であり, 現実の臨床環境では一般的な制約となっている。 この故障は, 騒音, 限られた監視, およびEMFの高可塑性パラメータ空間間の構造的ミスマッチによるものである。 本研究では,EMFファインタニングのための構造化Confidence-aware Prototype-Guided Adapted frameworkであるSCOPEを提案する。 SCOPEは2段階のパイプラインに従っている。 最初の段階では、幾何規則化されたタスク前処理を学習し、結果として得られる埋め込みの上にバランスの取れたクラスレベルのプロトタイプを構築し、信頼に足る疑似ラベルを生成し、信頼できない信号をラベルなしデータにフィルタリングすることで、信頼性の高い外部監視を構築する。 第2段階では、構造化されたプロトタイプに条件付けされた軽量アダプタを用いて、凍結したEEG基盤モデルに適応するProAdapterを導入する。 3つのEEGタスクと5つの基礎モデルバックボーンにわたる実験は、SCOPEがラベル限定のクロスオブジェクト設定の下で、一貫して強力なパフォーマンスと効率を達成することを示した。

関連論文リスト

• VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring [0.0]
  VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。 VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。 そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
  論文  参考訳（メタデータ） (2026-01-28T18:30:48Z)
• Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
  時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。 現在の研究は、主に教師なし時系列異常検出に焦点を当てている。 本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
  論文  参考訳（メタデータ） (2025-11-20T08:32:49Z)
• The 1st Solution for CARE Liver Task Challenge 2025: Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation [23.156209918252838]
  CoSSeg-TTA は nnU-Netv2 上に構築された GED4 (Gd-EOB-DTPA 拡張肝胆道相MRI) のコンパクトセグメンテーションフレームワークである。 ドメイン適応モジュールは、ランダム化されたヒストグラムスタイルの外観伝達関数とトレーニング可能なコントラスト対応ネットワークを組み込んで、ドメインの多様性を強化し、センター間の変動を緩和する。
  論文  参考訳（メタデータ） (2025-10-05T15:18:53Z)
• GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
  制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。 GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。 我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
  論文  参考訳（メタデータ） (2025-07-02T18:44:03Z)
• MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection [30.77558600436759]
  本研究では,Math-Physモデル誘導による合成異常を生成する,新しい軽量パイプラインを提案する。 本手法は現実的な欠陥マスクを生成し,その後2段階に拡張した。 本手法を検証するために,MVTec AD, VisA, BTADの3つの異常検出ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2025-04-17T14:22:27Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• An Efficient Self-Supervised Framework for Long-Sequence EEG Modeling [2.1232375739287006]
  脳波表現学習のための自己教師型フレームワークであるEEGM2を提案する。 EEGM2は、ショートシーケンスとロングシーケンスの両方のモデリングと分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-25T05:57:56Z)
• Bi-TTA: Bidirectional Test-Time Adapter for Remote Physiological Measurement [25.11883761217408]
  リモート光胸腺撮影(r)は、カメラのみを用いて生理的信号を監視する非侵襲的アプローチとして注目されている。 約束にもかかわらず、新しいドメインへのrモデルの適応性は、生理的信号の環境感受性のために妨げられている。 Bi-TTA(Bidirectional Test-Time Adapter)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2024-09-25T19:55:20Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)

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。