論文の概要: EEG-Based Brain-LLM Interface for Human Preference Aligned Generation

• arxiv url: http://arxiv.org/abs/2603.16897v1
• Date: Tue, 03 Mar 2026 19:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.366751
• Title: EEG-Based Brain-LLM Interface for Human Preference Aligned Generation
• Title（参考訳）: 脳波をベースとした脳-LLMインタフェースによるヒトの選好アライメント生成
• Authors: Junzi Zhang, Jianing Shen, Weijie Tu, Yi Zhang, Hailin Zhang, Tom Gedeon, Bin Jiang, Yue Yao,
• Abstract要約: 脳-LLMインターフェースを構築し,脳波信号を用いて画像生成モデルをテスト時にガイドする。 実験では、脳波がユーザの満足度を予測することを示し、神経活動がリアルタイムの嗜好推定に関する情報を運ぶことを示唆している。
• 参考スコア（独自算出の注目度）: 24.23256869192603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are becoming an increasingly important component of human--computer interaction, enabling users to coordinate a wide range of intelligent agents through natural language. While language-based interfaces are powerful and flexible, they implicitly assume that users can reliably produce explicit linguistic input, an assumption that may not hold for users with speech or motor impairments, e.g., Amyotrophic Lateral Sclerosis (ALS). In this work, we investigate whether neural signals can be used as an alternative input to LLMs, particularly to support those socially marginalized or underserved users. We build a simple brain-LLM interface, which uses EEG signals to guide image generation models at test time. Specifically, we first train a classifier to estimate user satisfaction from EEG signals. Its predictions are then incorporated into a test-time scaling (TTS) framework that dynamically adapts model inference using neural feedback collected during user evaluation. The experiments show that EEG can predict user satisfaction, suggesting that neural activity carries information on real-time preference inference. These findings provide a first step toward integrating neural feedback into adaptive language-model inference, and hopefully open up new possibilities for future research on adaptive LLM interaction.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、人間とコンピュータのインタラクションにおいて、ますます重要なコンポーネントになりつつある。 言語ベースのインターフェースは強力で柔軟性があるが、ユーザーは明確な言語入力を確実に生成できると暗黙的に仮定する。 本研究では,LLMの代替入力として,特に社会的に疎外的あるいは保守的でないユーザを支援するために,ニューラル信号が利用できるかどうかを検討する。 脳波信号を用いてテスト時に画像生成モデルを誘導するシンプルな脳-LLMインタフェースを構築した。 具体的には、まず、脳波信号からユーザの満足度を推定するために分類器を訓練する。 その予測はテスト時間スケーリング(TTS)フレームワークに組み込まれ、ユーザ評価中に収集したニューラルフィードバックを使用してモデル推論を動的に適用する。 実験の結果,脳波がユーザの満足度を予測できることがわかった。 これらの知見は、適応型言語モデル推論に神経フィードバックを統合するための第一歩であり、将来の適応型LLM相互作用研究の新たな可能性を開くことを願っている。

関連論文リスト

• sEEG-based Encoding for Sentence Retrieval: A Contrastive Learning Approach to Brain-Language Alignment [8.466223794246261]
  本稿では,凍結したCLIPモデルの文埋め込み空間に単射ステレオ脳波信号(sEEG)を投影するコントラスト学習フレームワークであるSSENSEを提案する。 本手法は,自然主義映画視聴データセットから,時系列のsEEGと音声の書き起こしについて評価する。
  論文  参考訳（メタデータ） (2025-04-20T03:01:42Z)
• BrainLLM: Generative Language Decoding from Brain Recordings [77.66707255697706]
  本稿では,大言語モデルと意味脳デコーダの容量を利用した生成言語BCIを提案する。 提案モデルでは,視覚的・聴覚的言語刺激のセマンティック内容に整合したコヒーレントな言語系列を生成することができる。 本研究は,直接言語生成におけるBCIの活用の可能性と可能性を示すものである。
  論文  参考訳（メタデータ） (2023-11-16T13:37:21Z)
• WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
  ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。 本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。 WaLiN-GUIはオープンソースとドキュメントが提供されている。
  論文  参考訳（メタデータ） (2023-10-25T20:34:08Z)
• Dependency-based Mixture Language Models [53.152011258252315]
  依存性に基づく混合言語モデルを紹介する。 より詳しくは、依存関係モデリングの新たな目的により、まずニューラルネットワークモデルを訓練する。 次に、前回の依存性モデリング確率分布と自己意図を混合することにより、次の確率を定式化する。
  論文  参考訳（メタデータ） (2022-03-19T06:28:30Z)
• Factorized Neural Transducer for Efficient Language Model Adaptation [51.81097243306204]
  空白および語彙予測を分解し,ニューラルトランスデューサの因子化モデルを提案する。 この因子化は、音声認識のためのトランスデューサにスタンドアロン言語モデルの改善を移すことが期待できる。 提案した因子化ニューラルトランスデューサは、言語モデル適応にドメイン外テキストデータを使用する場合、15%から20%のWER改善が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-27T15:04:00Z)

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。