論文の概要: SATTC: Structure-Aware Label-Free Test-Time Calibration for Cross-Subject EEG-to-Image Retrieval

• arxiv url: http://arxiv.org/abs/2603.20738v1
• Date: Sat, 21 Mar 2026 09:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.063394
• Title: SATTC: Structure-Aware Label-Free Test-Time Calibration for Cross-Subject EEG-to-Image Retrieval
• Title（参考訳）: SATTC:クロスオブジェクト脳波画像検索のための構造対応ラベルフリーテスト時間校正
• Authors: Qunjie Huang, Weina Zhu,
• Abstract要約: SATTCは、凍結したEEGと画像エンコーダの類似性行列を直接操作するラベルフリーキャリブレーションヘッドである。 THINGS-EEG は厳格な残射アウトプロトコルの下で、SATTC はコサイン類似性、L2-正規化埋め込み、候補白化による推論を標準化した。 SATTCはさらにTop-1とTop-5の精度を改善し、ハブ性とクラスごとの不均衡を低減し、より信頼性の高い小型のショートリストを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-subject EEG-to-image retrieval for visual decoding is challenged by subject shift and hubness in the embedding space, which distort similarity geometry and destabilize top-k rankings, making small-k shortlists unreliable. We introduce SATTC (Structure-Aware Test-Time Calibration), a label-free calibration head that operates directly on the similarity matrix of frozen EEG and image encoders. SATTC combines a geometric expert, subject-adaptive whitening of EEG embeddings with an adaptive variant of Cross-domain Similarity Local Scaling (CSLS), and a structural expert built from mutual nearest neighbors, bidirectional top-k ranks, and class popularity, fused via a simple Product-of-Experts rule. On THINGS-EEG under a strict leave-one-subject-out protocol, standardized inference with cosine similarities, L2-normalized embeddings, and candidate whitening already yields a strong cross-subject baseline over the original ATM retrieval setup. Building on this baseline, SATTC further improves Top-1 and Top-5 accuracy, reduces hubness and per-class imbalance, and produces more reliable small-k shortlists. These gains transfer across multiple EEG encoders, supporting SATTC as an encoder-agnostic, label-free test-time calibration layer for cross-subject neural decoding.
• Abstract（参考訳）: 視覚的デコーディングのためのクロスオブジェクトEEG-to-image検索は、類似性の幾何を歪め、トップkランキングを不安定にし、小さなkショートリストの信頼性を損なうような埋め込み空間における主観的シフトとハブ性によって挑戦される。 我々は,凍結脳波と画像エンコーダの類似性行列を直接操作するラベルフリーキャリブレーションヘッドSATTC(Structure-Aware Test-Time Calibration)を紹介する。 SATTCは、幾何学の専門家、主題適応的な脳波埋め込みの白化と、クロスドメイン類似局所スケーリング(CSLS)の適応的な変種を組み合わせ、互いに近接する隣人、双方向のトップkランク、クラスの人気から構築された構造専門家を単純なProduct-of-Expertsルールで融合させる。 THINGS-EEGでは、厳格な1つのサブオブジェクトアウトプロトコルの下で、コサイン類似性の標準化された推論、L2正規化埋め込み、および候補のホワイトニングが、元のATM検索設定よりも強いクロスオブジェクトベースラインをすでに生成している。 このベースライン上に構築されたSATTCは、Top-1とTop-5の精度をさらに向上し、ハブ性やクラスごとの不均衡を低減し、より信頼性の高い小型のショートリストを生成する。 これらは複数のEEGエンコーダ間で転送され、SATTCをエンコーダに依存しない、ラベルのないテスト時間キャリブレーション層としてサポートしている。

関連論文リスト

• Pooling Attention: Evaluating Pretrained Transformer Embeddings for Deception Classification [0.0]
  BERT埋め込みとロジスティック回帰は、LIARデータセット分割のニューラルネットワークよりも優れている。 この研究は、注意に基づくトークンエンコーダを、正確性タスクのための堅牢でアーキテクチャ中心の基盤として位置付けている。
  論文  参考訳（メタデータ） (2025-11-28T08:32:49Z)
• Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery [0.0]
  脳波ベースの脳-コンピュータインタフェースでは、クロスオブジェクト・モーター・イメージ・デコーディングが依然として大きな課題である。 本稿では,新しいジオメトリ対応プリプロセッシングモジュールとディープコングルーエンスネットワークを紹介する。 我々のフレームワークは、最強の古典的ベースラインに対して、クロスオブジェクトの精度を3～4%向上させる。
  論文  参考訳（メタデータ） (2025-11-24T09:46:55Z)
• Online Adaptation via Dual-Stage Alignment and Self-Supervision for Fast-Calibration Brain-Computer Interfaces [9.407105451798264]
  脳活動の個人差は脳波(EEG)ベースの脳コンピュータインタフェース(BCI)のオンライン適用を妨げる。 本研究では,2段階アライメントと自己監督による未確認者に対するオンライン適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-23T07:38:37Z)
• SeqPE: Transformer with Sequential Position Encoding [76.22159277300891]
  SeqPEは、各$n$次元位置指数をシンボルシーケンスとして表現し、軽量なシーケンシャル位置エンコーダを用いて埋め込みを学習する。 言語モデリング、長文質問応答、および2次元画像分類による実験により、SeqPEはパープレキシティ、正確なマッチング(EM)、精度の強いベースラインを超えるだけでなく、手作業によるアーキテクチャ再設計を必要とせず、多次元入力へのシームレスな一般化を可能にする。
  論文  参考訳（メタデータ） (2025-06-16T09:16:40Z)
• CrossMPT: Cross-attention Message-Passing Transformer for Error Correcting Codes [14.631435001491514]
  クロスアテンションメッセージパージングトランス(CrossMPT)を提案する。 また、CrossMPTは、既存のニューラルネットワークベースのデコーダを、様々なコードクラスで大幅に上回っていることを示す。 特に、CrossMPTは、メモリ使用量、複雑性、推論時間、トレーニング時間を著しく削減しながら、このデコードパフォーマンスの改善を実現している。
  論文  参考訳（メタデータ） (2024-05-02T06:30:52Z)
• Quick Dense Retrievers Consume KALE: Post Training Kullback Leibler Alignment of Embeddings for Asymmetrical dual encoders [89.29256833403169]
  我々は,高密度検索手法の推論効率を高めるための効率的かつ正確な手法であるKulback Leibler Alignment of Embeddings (KALE)を紹介した。 KALEは、バイエンコーダトレーニング後の従来の知識蒸留を拡張し、完全なリトレーニングやインデックス生成なしに効率的なクエリエンコーダ圧縮を可能にする。 KALEと非対称トレーニングを用いることで、3倍高速な推論を持つにもかかわらず、DistilBERTの性能を超えるモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-03-31T15:44:13Z)
• Efficient Nearest Neighbor Search for Cross-Encoder Models using Matrix Factorization [60.91600465922932]
  本稿では,クロスエンコーダのみに頼って,二重エンコーダによる検索を回避する手法を提案する。 我々のアプローチは、現在の広く使われている方法よりも優れたテスト時間リコール-vs計算コストトレードオフを提供する。
  論文  参考訳（メタデータ） (2022-10-23T00:32:04Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Rescoring Sequence-to-Sequence Models for Text Line Recognition with CTC-Prefixes [0.0]
  我々は,S2Sデコード中にCTC-Prefix-Scoreを使用することを提案する。 ビームサーチ中、CTC信頼行列に従って無効となるパスがペナル化される。 IAM, Rimes, StAZHの3つのHTRデータセット上で, この設定を評価する。
  論文  参考訳（メタデータ） (2021-10-12T11:40:05Z)

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。