論文の概要: Riding Brainwaves in LLM Space: Understanding Activation Patterns Using Individual Neural Signatures

• arxiv url: http://arxiv.org/abs/2603.21847v1
• Date: Mon, 23 Mar 2026 11:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.637854
• Title: Riding Brainwaves in LLM Space: Understanding Activation Patterns Using Individual Neural Signatures
• Title（参考訳）: LLM空間における脳波 : 個々のニューラルシグナチャを用いた活性化パターンの理解
• Authors: Ajan Subramanian, Sumukh Bettadapura, Rohan Sathish,
• Abstract要約: 凍結したQwen 2.5 7Bから隠れた状態をその人の脳波パワーにマッピングする。 個人固有のプローブは、テストされたすべての脳波機能において、単一の人口調査よりも優れています。 結果はアーキテクチャ全体(LLaMA 3.1 8B)で一致し、単語レベルのコンフォーンコントロールを継続する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consumer-grade EEG is entering everyday devices, from earbuds to headbands, raising the question of whether language models can be adapted to individual neural responses. We test this by asking whether frozen LLM representations encode person-specific EEG signals, directions in activation space that predict one person's brain activity but not another's. Using word-level EEG from 30 participants reading naturalistic sentences (ZuCo corpus), we train a separate linear probe for each person, mapping hidden states from a frozen Qwen 2.5 7B to that individual's EEG power. Person-specific probes outperform a single population probe on every EEG feature tested; for high-gamma power, the person-specific probe achieves rho = 0.183, a ninefold improvement over the population probe (rho = 0.020, p < 10^-4). A negative control, fixation count, shows no person-specific advantage (p = 0.360); fixation count reflects word length and frequency rather than individual cognition. The individual directions are temporally stable (split-half cosine = 0.824), non-transferable across people (self rho = 0.369 vs. other rho = 0.143, p < 10^-19), and distinct from the shared population signal: person-specific probes retain predictive power after the population component is removed. The person-specific signal concentrates in the model's deep layers, rising consistently with depth and peaking at Layer 24 of 28. The results are consistent across architectures (LLaMA 3.1 8B) and survive word-level confound controls. Frozen language models contain stable, person-specific neural directions in their deep layers, providing a geometric foundation for EEG-driven personalization.
• Abstract（参考訳）: コンシューマグレードのEEGは、イヤホンからヘッドバンドまで日常的なデバイスに入り、言語モデルが個々の神経反応に適応できるかどうかという疑問を提起している。 我々は、凍結したLLM表現が人固有の脳波信号、ある人の脳活動を予測する活性化空間の方向を符号化するかどうかを問うことにより、これを検証した。 自然主義的な文章を読む30人の参加者(ZuCo corpus)の単語レベル脳波を用いて、凍結したQwen 2.5 7Bから隠れた状態をその人の脳波パワーにマッピングし、それぞれ別の線形プローブを訓練する。 高ガンマパワーでは、人固有のプローブはrho = 0.183を達成する(rho = 0.020, p < 10^-4)。 否定的な制御、固定数(英語版)は、個人固有の利点(p = 0.360)を示さず、固定数(英語版)は個々の認知よりも単語の長さと頻度を反映する。 個々の方向は時間的に安定であり(スプリット・ハーフ・コサイン=0.824)、人間での非移動可能であり(self rho = 0.369 vs. other rho = 0.143, p < 10^-19)、集団成分を除去した後は個人固有のプローブが予測力を保っている。 人固有の信号はモデルの深層に集中し、深さとともに一貫して上昇し、28層の24層でピークに達する。 結果はアーキテクチャ全体(LLaMA 3.1 8B)で一貫性があり、単語レベルのコンファウンド制御を継続する。 凍結言語モデルは、深い層に安定した人固有の神経方向を含み、脳波駆動のパーソナライゼーションの幾何学的基礎を提供する。

関連論文リスト

• Language Model Circuits Are Sparse in the Neuron Basis [50.460651620833055]
  その結果, textbfMLP ニューロンは SAE と同様の機能的基盤であることがわかった。 この作業は、追加のトレーニングコストなしで言語モデルの自動解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2026-01-30T05:41:19Z)
• Neural decoding from stereotactic EEG: accounting for electrode variability across subjects [21.28778005847666]
  本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。 本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
  論文  参考訳（メタデータ） (2024-11-01T17:58:01Z)
• Advantages of Neural Population Coding for Deep Learning [5.384630221560811]
  ニューラルネットワークの出力層に集団コードを使用する利点を示す。 まず,集団符号が入力雑音に対する頑健性を向上する合成データを用いて理論的および実験を行った。 第2に、対称オブジェクトのポーズのようなあいまいな出力を符号化するために集団符号を使用する利点を示す。
  論文  参考訳（メタデータ） (2024-11-01T06:40:47Z)
• Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
  埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。 91%の精度でF1スコアが得られた。
  論文  参考訳（メタデータ） (2024-07-15T12:20:15Z)
• AiOS: All-in-One-Stage Expressive Human Pose and Shape Estimation [55.179287851188036]
  人間のポーズと形状の復元のための新しいオールインワンステージフレームワークであるAiOSを、追加の人間検出ステップなしで導入する。 まず、画像中の人間の位置を探索し、各インスタンスのグローバルな機能をエンコードするために、人間のトークンを使用します。 そして、画像中の人間の関節を探索し、きめ細かい局所的特徴を符号化するジョイント関連トークンを導入する。
  論文  参考訳（メタデータ） (2024-03-26T17:59:23Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• fMRI Neurofeedback Learning Patterns are Predictive of Personal and Clinical Traits [62.997667081978825]
  機能的MRI(fMRI)による自律神経運動課題における学習経過の個人的シグネチャを得る。 署名は、第1セッションで同様のfMRI由来の脳の状態が与えられた後、第2セッションで扁桃体の活動を予測することに基づいている。
  論文  参考訳（メタデータ） (2021-12-21T06:52:48Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)

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。