論文の概要: Spiking Personalized Federated Learning for Brain-Computer Interface-Enabled Immersive Communication

• arxiv url: http://arxiv.org/abs/2603.22727v1
• Date: Tue, 24 Mar 2026 02:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.25807
• Title: Spiking Personalized Federated Learning for Brain-Computer Interface-Enabled Immersive Communication
• Title（参考訳）: 脳コンピュータインタフェースを用いた没入型コミュニケーションのための個人化フェデレーション学習のスパイキング
• Authors: Chen Shang, Dinh Thai Hoang, Diep N. Nguyen, Jiadong Yu,
• Abstract要約: 本研究は,脳-コンピュータインタフェース(BCI)を利用して脳信号を取得し,ユーザ中心の状態の推測を行う新しい没入型通信フレームワークを提案する。 収集した脳信号を分析し処理するためのパーソナライズド・フェデレーション・ラーニング(PFL)モデルを開発した。 提案手法は,従来のニューラルネットワークを用いたパーソナライズされたベースラインと比較して,推論エネルギーを6.46$times$に抑えながら,全体の識別精度を最大化する。
• 参考スコア（独自算出の注目度）: 20.892529341998877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes a novel immersive communication framework that leverages brain-computer interface (BCI) to acquire brain signals for inferring user-centric states (e.g., intention and perception-related discomfort), thereby enabling more personalized and robust immersive adaptation under strong individual variability. Specifically, we develop a personalized federated learning (PFL) model to analyze and process the collected brain signals, which not only accommodates neurodiverse brain-signal data but also prevents the leakage of sensitive brain-signal information. To address the energy bottleneck of continual on-device learning and inference on energy-limited immersive terminals (e.g., head-mounted display), we further embed spiking neural networks (SNNs) into the PFL. By exploiting sparse, event-driven spike computation, the SNN-enabled PFL reduces the computation and energy cost of training and inference while maintaining competitive personalization performance. Experiments on real brain-signal dataset demonstrate that our method achieves the best overall identification accuracy while reducing inference energy by 6.46$\times$ compared with conventional artificial neural network-based personalized baselines.
• Abstract（参考訳）: 本研究は,脳-コンピュータインタフェース(BCI)を利用した新たな没入型コミュニケーションフレームワークを提案する。 具体的には、収集した脳信号を分析し処理するパーソナライズド・フェデレーション・ラーニング(PFL)モデルを構築し、脳信号データだけでなく、機密脳信号情報の漏洩を防止する。 デバイス上での連続学習とエネルギー制限型没入型端末(例えばヘッドマウントディスプレイ)の推論のエネルギーボトルネックに対処するため,我々はさらにスパイキングニューラルネットワーク(SNN)をPFLに埋め込む。 スパースでイベント駆動のスパイク計算を利用することで、SNN対応のPFLは、競争力のあるパーソナライズ性能を維持しながら、トレーニングと推論の計算とエネルギーコストを削減する。 実脳信号データセットを用いた実験により,従来のニューラルネットワークを用いたパーソナライズされたベースラインと比較して,推論エネルギーを6.46$\times$に抑えながら,本手法が最高の総合的識別精度を実現することが示された。

関連論文リスト

• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• Interpretable Dual-Filter Fuzzy Neural Networks for Affective Brain-Computer Interfaces [25.445687764717167]
  両フィルタファジィニューラルネットワークアーキテクチャを統合し,感情状態の検出と解釈を改善する新モデルiFuzzyAffectDuoを提案する。 機能的近赤外分光法(fNIRS)と脳波(EEG)を用いた3つの脳画像データセットのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-01-29T14:31:57Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
  エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。 既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。 浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
  論文  参考訳（メタデータ） (2024-01-09T07:31:34Z)
• To Spike or Not To Spike: A Digital Hardware Perspective on Deep Learning Acceleration [4.712922151067433]
  ディープラーニングモデルがスケールするにつれて、コンピュータビジョンから自然言語処理まで、ドメイン間の競争が激化する。 生物学的脳のパワー効率は、大規模深層学習(DL)モデルよりも優れている。 ニューロモルフィックコンピューティングは、DLモデルの効率を改善するために、脳の操作を模倣しようとする。
  論文  参考訳（メタデータ） (2023-06-27T19:04:00Z)
• A Spiking Neural Network based on Neural Manifold for Augmenting Intracortical Brain-Computer Interface Data [5.039813366558306]
  脳-コンピュータインターフェース(BCI)は、脳内の神経信号をインストラクションに変換して外部デバイスを制御する。 高度な機械学習手法の出現により、脳-コンピュータインタフェースの能力はかつてないほど強化された。 ここでは、データジェネレータとしてスパイキングニューラルネットワーク(SNN)を用いる。
  論文  参考訳（メタデータ） (2022-03-26T15:32:31Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
  ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。 学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。 さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
  論文  参考訳（メタデータ） (2021-06-15T05:30:17Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。