論文の概要: Channel Adaptation for EEG Foundation Models: A Systematic Benchmark Across Architectures, Tasks, and Training Regimes

• arxiv url: http://arxiv.org/abs/2604.23091v1
• Date: Sat, 25 Apr 2026 01:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.150698
• Title: Channel Adaptation for EEG Foundation Models: A Systematic Benchmark Across Architectures, Tasks, and Training Regimes
• Title（参考訳）: EEGファンデーションモデルのためのチャネル適応:アーキテクチャ、タスク、トレーニングレジームの体系的なベンチマーク
• Authors: Kuntal Kokate, Bruno Aristimunha, Dung Truong, Arnaud Delorme,
• Abstract要約: EEGファンデーションモデルをスケールするには、異種電極モンタージュ間でデータをプールする必要がある。 5つの事前訓練された脳波基礎モデルにおける4つのチャネル適応法の最初の体系的比較を行った。
• 参考スコア（独自算出の注目度）: 0.3199881502576702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scaling EEG foundation models requires pooling data across heterogeneous electrode montages, a prerequisite both for larger pretraining corpora and for downstream deployment. We present the first systematic comparison of four channel adaptation methods (Conv1d projection, spherical spline interpolation (SSI), source-space decomposition, and Riemannian re-centering) across five pretrained EEG foundation models (5M--157M parameters), five downstream tasks, and two training regimes with 10--15 random seeds each. We find that rigid-montage models (BENDR, Neuro-GPT) require external adaptation, while flexible models (EEGPT, CBraMod) match or exceed it natively when fine-tuned but benefit from external methods under frozen-encoder deployment. A probe-SFT asymmetry exists: external adaptation can cause severe negative transfer during fine-tuning of flexible models. The optimal method is architecture-dependent (Conv1d for BENDR, SSI/Riemannian for Neuro-GPT, source-space decomposition for depression detection), and 5M-parameter CBraMod outperforms models up to 31$\times$ larger on 4/5 datasets, consistent with independent findings that compact EEG-specific architectures can match larger models.
• Abstract（参考訳）: EEGファンデーションモデルのスケーリングには、より大規模な事前学習コーパスと下流展開のための前提条件である、異種電極モンタージュにまたがるデータのプールが必要である。 本研究では,5つの事前学習されたEEG基盤モデル(5M-157Mパラメータ),5つの下流タスク,および10～15個のランダムシードを持つ2つのトレーニング体制の4つのチャネル適応法(Conv1dプロジェクション,球面スプライン補間(SSI),ソース空間分解,リーマン再中心化)について,最初の体系的比較を行った。 厳密なモンタージュモデル (BENDR, Neuro-GPT) は外部適応を必要とするが, フレキシブルモデル (EEGPT, CBraMod) は微調整時にネイティブに適合するが, 凍結エンコーダ配置時の外部手法の恩恵を受ける。 プローブ-SFT非対称性は、外部適応はフレキシブルモデルの微調整中に深刻な負の伝達を引き起こす。 最適手法はアーキテクチャに依存している(BENDRではConv1d、Neuro-GPTではSSI/Riemannian、抑うつ検出ではソース空間分解)。

関連論文リスト

• From Physics to Surrogate Intelligence: A Unified Electro-Thermo-Optimization Framework for TSV Networks [0.5599792629509228]
  高密度スルー基板(TSV)は2.5D/3Dヘテロジニアスな統合を可能にするが、重要な信号積分と熱-信頼性の課題をもたらす。 本研究は、物理インフォームド解析モデル、グラフニューラルネットワーク(GNN)サロゲート、フルウェーブサインオフ検証を組み合わせたスケーラブルな熱水モデルと最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T05:10:33Z)
• SLE-FNO: Single-Layer Extensions for Task-Agnostic Continual Learning in Fourier Neural Operators [0.4369550829556577]
  新たな実験条件やシミュレーション体制は、以前のデータに再アクセスすることなく、外挿やモデル更新を必要とするため、大きく異なる場合がある。 これにより、破滅的な忘れを防ぎながら、分散シフトに適応できる継続的学習(CL)フレームワークの必要性が生まれます。 本稿では,SLE(Single-Layer Extension)とFNO(Fourier Neural Operator)を組み合わせたアーキテクチャベースアプローチ(SLE-FNO)を提案する。
  論文  参考訳（メタデータ） (2026-03-20T18:30:38Z)
• LuMamba: Latent Unified Mamba for Electrode Topology-Invariant and Efficient EEG Modeling [14.663411219312827]
  textbfLuMamba(textbfLatent textbfUnified textbfMamba)を提案する。 わずか4.6Mのパラメータで、ルマンバはTUABで80.99%の精度を達成し、アルツハイマーの検出で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-19T16:26:11Z)
• GLUE: Generative Latent Unification of Expertise-Informed Engineering Models [3.005158583027536]
  GLUE(Generative Latent Unification of Expertise-Informed Engineering Models)を紹介する。 GLUEは、事前訓練された凍結したサブシステムジェネレータをオーケストレーションし、システムレベルの実現可能性、最適性、多様性を強制する。 5つの結合制約を持つUAV設計問題において、データ駆動型アプローチは多種多様な高性能な設計をもたらすが、制約を確実に満たすためには大きなデータセットを必要とする。
  論文  参考訳（メタデータ） (2025-12-22T15:23:19Z)
• LLaDA 1.5: Variance-Reduced Preference Optimization for Large Language Diffusion Models [95.77351099118323]
  Masked Diffusion Models (MDM) は言語モデリングにおいて有望なパラダイムである。 この課題は、優先最適化に必要なエビデンス・ロウアー・バウンド(ELBO)に基づく推定値の高分散から生じる。 本稿では,ELBO推定器の偏差を公式に解析し,優先最適化勾配の偏差と偏差を導出するフレームワークであるVRPOを提案する。
  論文  参考訳（メタデータ） (2025-05-25T16:36:20Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
  本稿では,既存の並列処理方式を超越したMoE用パイプラインスケジューラであるEPS-MoEを紹介する。 その結果,既存の並列推論手法と比較して,プリフィルスループットは52.4%向上した。
  論文  参考訳（メタデータ） (2024-10-16T05:17:49Z)
• SZU-AFS Antispoofing System for the ASVspoof 5 Challenge [3.713577625357432]
  SZU-AFSアンチスプーフィングシステムはオープン条件下でASVspoof 5 Challengeのトラック1のために設計された。 最終融合システムは、評価セットで0.115のminDCFと4.04%のEERを達成する。
  論文  参考訳（メタデータ） (2024-08-19T12:12:29Z)
• SWARM Parallelism: Training Large Models Can Be Surprisingly Communication-Efficient [69.61083127540776]
  ディープラーニングアプリケーションは、数十億のパラメータを持つ大きなモデルを使用することの恩恵を受ける。 これらのモデルのトレーニングは、特殊なHPCクラスタを必要とするため、非常に高価である。 安価な"プリエンプティブル"インスタンスを使用するか、あるいは複数のリージョンから既存のリソースをプールする。
  論文  参考訳（メタデータ） (2023-01-27T18:55:19Z)

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。