論文の概要: DSAINet: An Efficient Dual-Scale Attentive Interaction Network for General EEG Decoding

• arxiv url: http://arxiv.org/abs/2604.18095v1
• Date: Mon, 20 Apr 2026 11:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.827857
• Title: DSAINet: An Efficient Dual-Scale Attentive Interaction Network for General EEG Decoding
• Title（参考訳）: DSAINet: 汎用脳波デコーディングのための効率的なデュアルスケール監視インタラクションネットワーク
• Authors: Zhiyuan Ma, Zeyuan Li, Zihao Qiu, Jinhao Li, Lingqin Meng, Xinche Zhang, Yixuan Liu, Xinke Shen, Sen Song,
• Abstract要約: DSAINetは、一般的なEEGデコーディングのための効率的なデュアルスケールインタラクションネットワークである。 厳密な主観非依存評価の下で、13の代表ベースラインを一貫して上回る。 トレーニング可能なパラメータは77K程度で、良好な精度と効率のトレードオフを実現している。
• 参考スコア（独自算出の注目度）: 10.266590707498029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world applications of noninvasive electroencephalography (EEG), specialized decoders often show limited generalizability across diverse tasks under subject-independent settings. One central challenge is that task-relevant EEG signals often follow different temporal organization patterns across tasks, while many existing methods rely on task-tailored architectural designs that introduce task-specific temporal inductive biases. This mismatch makes it difficult to adapt temporal modeling across tasks without changing the model configuration. To address these challenges, we propose DSAINet, an efficient dual-scale attentive interaction network for general EEG decoding. Specifically, DSAINet constructs shared spatiotemporal token representations from raw EEG signals and models diverse temporal dynamics through parallel convolutional branches at fine and coarse scales. The resulting representations are then adaptively refined by intra-branch attention to emphasize salient scale-specific patterns and by inter-branch attention to integrate task-relevant features across scales, followed by adaptive token aggregation to yield a compact representation for prediction. Extensive experiments on five downstream EEG decoding tasks across ten public datasets show that DSAINet consistently outperforms 13 representative baselines under strict subject-independent evaluation. Notably, this performance is achieved using the same architecture hyperparameters across datasets. Moreover, DSAINet achieves a favorable accuracy-efficiency trade-off with only about 77K trainable parameters and provides interpretable neurophysiological insights. The code is publicly available at https://github.com/zy0929/DSAINet.
• Abstract（参考訳）: 非侵襲脳波(EEG)の現実的な応用において、特殊デコーダは被検者に依存しない環境下での様々なタスクに対して限定的な一般化性を示すことが多い。 タスク関連脳波信号は、タスクごとに異なる時間的組織パターンに従うことが多いのに対して、既存の多くの手法はタスク固有の時間的帰納バイアスを導入するタスク対応アーキテクチャ設計に依存している。 このミスマッチは、モデル構成を変更することなく、タスク間で時間的モデリングを適用するのを難しくする。 これらの課題に対処するために、一般的な脳波復号のための効率的な二重スケール減衰相互作用ネットワークであるDSAINetを提案する。 具体的には、DSAINetは生の脳波信号から共有時空間トークン表現を構築し、微細で粗いスケールで並列な畳み込み枝を通して多様な時空間ダイナミクスをモデル化する。 得られた表現は、適切なスケール固有のパターンを強調するためにブランチ内注意により適応的に洗練され、スケール全体にわたるタスク関連特徴を統合するためにブランチ間注意により、続いて適応トークンアグリゲーションによって予測のためのコンパクトな表現が生成される。 10のパブリックデータセットにわたる5つの下流EEGデコーディングタスクに関する大規模な実験は、DSAINetが厳密な主題に依存しない評価の下で、13の代表的なベースラインを一貫して上回っていることを示している。 特に、このパフォーマンスはデータセット間で同じアーキテクチャのハイパーパラメータを使用して達成されます。 さらに、DSAINetは、約77Kのトレーニング可能なパラメータで、良好な精度と効率のトレードオフを実現し、解釈可能な神経生理学的洞察を提供する。 コードはhttps://github.com/zy0929/DSAINetで公開されている。

関連論文リスト

• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• ECHO: Toward Contextual Seq2Seq Paradigms in Large EEG Models [28.18721116424753]
  大規模脳波モデル(LEM)は、エンコーダ中心のアーキテクチャを大規模未ラベルデータに事前訓練し、普遍的な表現を抽出することでこの問題に対処する。 脳波モデリングをシーケンス・ツー・シーケンス・ラーニングとして再構成する新しいデコーダ中心のLEMパラダイムであるECHOを導入する。 ECHOは、最先端のシングルタスクEMをマルチタスク設定で一貫して上回り、より優れた一般化と適応性を示す。
  論文  参考訳（メタデータ） (2025-09-26T16:37:34Z)
• Causally-Guided Pairwise Transformer -- Towards Foundational Digital Twins in Process Industry [0.0]
  Causally-Guided Pairwise Transformer (CGPT)は、既知の因果グラフを帰納バイアスとして統合した新しいアーキテクチャである。 CGPTはチャネル依存型(CD)モデルとチャネル依存型(CI)モデルの両方で予測精度において有意に優れていた。
  論文  参考訳（メタデータ） (2025-08-18T17:18:38Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• EEGMamba: Bidirectional State Space Model with Mixture of Experts for EEG Multi-task Classification [1.4004287903552533]
  脳波アプリケーションのためのマルチタスク学習を真に実装した最初のユニバーサル脳波分類ネットワークであるEEGMambaを紹介する。 EEGMambaは、Spatio-Temporal-Adaptive (ST-Adaptive)モジュール、双方向のMamba、Mixture of Experts (MoE)をシームレスに統合したフレームワークに統合する。 本研究では,8つの公用EEGデータセットを用いてモデルの評価を行い,その性能を4種類のタスクで実証した。
  論文  参考訳（メタデータ） (2024-07-20T11:15:47Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)

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。