論文の概要: EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts

• arxiv url: http://arxiv.org/abs/2604.12579v1
• Date: Tue, 14 Apr 2026 11:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.404546
• Title: EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts
• Title（参考訳）: ハイパーボリック・ミックス・オブ・カーベチュア・エキスパートによる脳波に基づくマルチモーダル学習
• Authors: Runhe Zhou, Shanglin Li, Guanxiang Huang, Xinliang Zhou, Qibin Zhao, Motoaki Kawanabe, Yi Ding, Cuntai Guan,
• Abstract要約: マルチモーダル・ニューロテクノロジーのための新しいハイパーボリック・ミックス・オブ・カーベチュア・エキスパート・フレームワークであるEEG-MoCEを提案する。 EEG-MoCEは学習可能な曲率双曲空間の専門家に各モダリティを割り当て、固有の幾何学の適応的モデリングを可能にする。 EEG-MoCEは、感情認識、睡眠ステージング、認知評価など、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 38.37966175378664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG)-based multimodal learning integrates brain signals with complementary modalities to improve mental state assessment, providing great clinical potential. The effectiveness of such paradigms largely depends on the representation learning on heterogeneous modalities. For EEG-based paradigms, one promising approach is to leverage their hierarchical structures, as recent studies have shown that both EEG and associated modalities (e.g., facial expressions) exhibit hierarchical structures reflecting complex cognitive processes. However, Euclidean embeddings struggle to represent these hierarchical structures due to their flat geometry, while hyperbolic spaces, with their exponential growth property, are naturally suited for them. In this work, we propose EEG-MoCE, a novel hyperbolic mixture-of-curvature experts framework designed for multimodal neurotechnology. EEG-MoCE assigns each modality to an expert in a learnable-curvature hyperbolic space, enabling adaptive modeling of its intrinsic geometry. A curvature-aware fusion strategy then dynamically weights experts, emphasizing modalities with richer hierarchical information. Extensive experiments on benchmark datasets demonstrate that EEG-MoCE achieves state-of-the-art performance, including emotion recognition, sleep staging, and cognitive assessment.
• Abstract（参考訳）: 脳波(EEG)に基づくマルチモーダル学習は、脳信号と相補的なモダリティを統合し、精神状態の評価を改善する。 このようなパラダイムの有効性は、不均一なモジュラリティの表現学習に大きく依存する。 最近の研究では、脳波と関連するモダリティ(表情など)の両方が、複雑な認知過程を反映した階層構造を示すことが示されている。 しかし、ユークリッド埋め込みはその平坦な幾何学のためにこれらの階層構造を表現するのに苦労するが、双曲空間は指数的成長特性を持つので、それらに自然に適している。 本研究では,マルチモーダル・ニューロテクノロジー用に設計された新しいハイパーボリック・ミックス・オブ・カーベチュア・エキスパート・フレームワークであるEEG-MoCEを提案する。 EEG-MoCEは学習可能な曲率双曲空間の専門家に各モダリティを割り当て、固有の幾何学の適応的モデリングを可能にする。 曲率を意識した融合戦略は専門家を動的に重み付けし、より階層的な情報でモダリティを強調する。 ベンチマークデータセットに関する大規模な実験は、EEG-MoCEが感情認識、睡眠ステージング、認知評価など最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Aligning What EEG Can See: Structural Representations for Brain-Vision Matching [26.36030588128271]
  脳波(EEG)からの視覚的デコーディングは、非侵襲的な脳-コンピュータインターフェースのための、非常に有望な道として現れてきた。 既存の脳波に基づく復号法は、主に脳信号を深部視覚モデルの最終層セマンティック埋め込みと整合させる。 ニューラルビザビリティの概念を導入し,脳波可視層選択戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-07T07:12:08Z)
• EEG Emotion Classification Using an Enhanced Transformer-CNN-BiLSTM Architecture with Dual Attention Mechanisms [0.0]
  本研究では,ハイブリッドなディープラーニングアーキテクチャが脳波データの感情分類性能とロバスト性を向上させるかを検討する。 本稿では, 畳み込み特徴抽出, 双方向時間モデル, 自己保持機構と正規化戦略を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T06:05:53Z)
• HEEGNet: Hyperbolic Embeddings for EEG [34.07234318975996]
  脳波の階層構造を捉え,ドメイン不変なハイパーボリック埋め込みを学習するためのハイブリッドハイパーボリックネットワークアーキテクチャHEEGNetを提案する。 この目的のために、HEEGNetはユークリッドエンコーダと双曲エンコーダを結合し、新しい粗いドメイン適応戦略を採用している。
  論文  参考訳（メタデータ） (2026-01-06T14:30:47Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
  多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。 本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-11T04:28:10Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)

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。