論文の概要: LAtte: Hyperbolic Lorentz Attention for Cross-Subject EEG Classification

• arxiv url: http://arxiv.org/abs/2603.10881v1
• Date: Wed, 11 Mar 2026 15:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.028772
• Title: LAtte: Hyperbolic Lorentz Attention for Cross-Subject EEG Classification
• Title（参考訳）: LAtte: クロスオブジェクト脳波分類のためのハイパーボリックローレンツ注意
• Authors: Johannes Burchert, Ahmad Bdeir, Tom Hanika, Lars Schmidt-Thieme, Niels Landwehr,
• Abstract要約: LAtteは、ロレンツ注意モジュールとインセプションタイムベースのエンコーダを統合して、堅牢で一般化可能なEEG分類を可能にする、新しいフレームワークである。 まず、事前学習タスクを用いて、すべての被験者に共通するベースライン信号を学習し、共通の基礎となるパターンを捉える。 そこで, 新規なローレンツ低ランクアダプタを用いて, 個人差をモデル化する主題固有の埋め込みを学習する。 これにより、被験者間で堅牢に機能する共有モデルを学ぶことができ、その後、個々の被験者に微調整したり、目に見えない被験者に一般化したりすることができる。
• 参考スコア（独自算出の注目度）: 13.887781479252332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG) classification is critical for applications ranging from medical diagnostics to brain-computer interfaces, yet it remains challenging due to the inherently low signal-to-noise ratio (SNR) and high inter-subject variability. To address these issues, we propose LAtte, a novel framework that integrates a Lorentz Attention Module with an InceptionTime-based encoder to enable robust and generalizable EEG classification. Unlike prior work, which evaluates primarily on single-subject performance, LAtte focuses on cross-subject training. First, we learn a shared baseline signal across all subjects using pretraining tasks to capture common underlying patterns. Then, we utilize novel Lorentz low-rank adapters to learn subject-specific embeddings that model individual differences. This allows us to learn a shared model that performs robustly across subjects, and can be subsequently finetuned for individual subjects or used to generalize to unseen subjects. We evaluate LAtte on three well-established EEG datasets, achieving a substantial improvement in performance over current state-of-the-art methods.
• Abstract（参考訳）: 脳波(EEG)分類は、医学的診断から脳とコンピュータのインターフェースまで、応用において重要であるが、信号対雑音比(SNR)が本質的に低いことと、物体間変動が大きいため、依然として困難である。 これらの問題に対処するため,我々はLorentz Attention ModuleをInceptionTimeベースのエンコーダと統合し,堅牢で一般化可能なEEG分類を可能にする新しいフレームワークであるLAtteを提案する。 シングルオブジェクトのパフォーマンスを主に評価する以前の作業とは異なり、LAtteはクロスオブジェクトトレーニングに重点を置いている。 まず、事前学習タスクを用いて、すべての被験者に共通するベースライン信号を学習し、共通の基礎となるパターンを捉える。 そこで, 新規なローレンツ低ランクアダプタを用いて, 個人差をモデル化する主題固有の埋め込みを学習する。 これにより、被験者間で堅牢に機能する共有モデルを学ぶことができ、その後、個々の被験者に微調整したり、目に見えない被験者に一般化したりすることができる。 我々は3つの確立されたEEGデータセット上でLAtteを評価し、現在の最先端手法よりも性能が大幅に向上した。

関連論文リスト

• EEG-D3: A Solution to the Hidden Overfitting Problem of Deep Learning Models [33.22173262655432]
  本稿では,脳波データセット間でのディープラーニングモデルをトレーニングする弱い教師付き手法であるDisentangled Decoding Decomposition (D3)を紹介する。 入力ウィンドウがサンプリングされた各トライアルシーケンスの場所を予測することで、EEG-D3は脳活動の潜伏成分を分離する。 我々は、線形分離可能な潜伏空間を利用して、睡眠段階分類における効果的な数ショット学習を行う。
  論文  参考訳（メタデータ） (2025-12-15T19:00:10Z)
• MultiDiffNet: A Multi-Objective Diffusion Framework for Generalizable Brain Decoding [1.6528632644902828]
  textitMultiDiffNetは、複数の目的に最適化されたコンパクトな潜在空間を学習することで、生成的拡張を完全に回避する拡散ベースのフレームワークである。 我々は、この空間から直接デコードし、主観的およびセッション不整合性評価を用いて、様々なニューラルデコードタスクにまたがる最先端の一般化を実現する。
  論文  参考訳（メタデータ） (2025-11-23T05:22:27Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Inter-subject Contrastive Learning for Subject Adaptive EEG-based Visual Recognition [20.866855009168606]
  本稿では,主観的適応脳波に基づく視覚認識の課題に取り組む。 脳波信号に基づいて視覚刺激のカテゴリを正確に予測することを目的としている。 同一クラスを共有する特徴の類似性を高めて,異なる対象から得られる特徴の類似性を高めることによって,対象非依存表現を学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-07T01:34:57Z)
• Subject Adaptive EEG-based Visual Recognition [14.466626957417864]
  本稿では,脳波信号に基づいて被験者が観察する視覚オブジェクトのクラスを予測することを目的とした,脳波に基づく視覚認識に焦点を当てた。 主な課題の1つは、異なる主題からの信号の大きなばらつきである。 本稿では,脳波をベースとした視覚認識という新たな課題について紹介する。
  論文  参考訳（メタデータ） (2021-10-26T08:06:55Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。