論文の概要: Towards Unified Multi-task EEG Analysis with Low-Rank Adaptation

• arxiv url: http://arxiv.org/abs/2604.25131v2
• Date: Wed, 29 Apr 2026 03:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 13:51:54.137411
• Title: Towards Unified Multi-task EEG Analysis with Low-Rank Adaptation
• Title（参考訳）: 低ランク適応によるマルチタスク脳波解析の統一化に向けて
• Authors: Sicheng Dai, Kai Chen, Hongwang Xiao, Shan Yu, Qiwei Ye,
• Abstract要約: タスク固有の低ランク適応モジュールを組み込んだマルチタスクEEG分析フレームワークであるMTEEGを提案する。 MTEEGはマルチタスク脳波解析の可能性を示し、汎用脳-コンピュータインタフェースの開発を促進する。
• 参考スコア（独自算出の注目度）: 21.90561109126969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent self-supervised pre-training methods for electroencephalogram (EEG) have shown promising results. However, the pre-trained models typically require full fine-tuning on each downstream task individually to achieve good performance. In practical applications involving multiple tasks, utilizing a separate model for each task is not ideal regarding computational and spatial cost. In this study, we go one step further and explore the simultaneous adaptation of a pre-trained model to multiple different tasks. The EEG signals exhibit significant heterogeneity due to their collection from various subjects using diverse devices and experimental setups, resulting in potential conflicts among different tasks that impede joint optimization. To tackle this challenge, we propose MTEEG, a multi-task EEG analysis framework which incorporates task-specific low-rank adaptation (LoRA) modules to disentangle the parameter space and alleviate task conflicts. To investigate the trade-off between task specification and interaction, we propose three variants of MTEEG that integrate the LoRA modules in different ways and evaluate them on six downstream tasks, demonstrating that MTEEG can surpass state-of-the-art single-task methods on the majority of metrics. MTEEG shows the potential of multi-task EEG analysis and promotes the development of general-purpose brain-computer interfaces in the future.
• Abstract（参考訳）: 近年の脳波検査(EEG)の自己指導的事前訓練法は有望な結果を示している。 しかし、訓練済みのモデルでは、良いパフォーマンスを達成するために、ダウンストリームの各タスクを個別に完全に微調整する必要があるのが普通である。 複数のタスクを含む現実的なアプリケーションでは、各タスクに個別のモデルを適用することは、計算と空間コストに関して理想的ではない。 本研究では、さらに一歩進めて、事前学習されたモデルの複数のタスクへの同時適応について検討する。 脳波信号は、様々な機器と実験装置を用いて様々な被験者から収集されたため、大きな異種性を示し、共同最適化を阻害する様々なタスク間で潜在的に衝突する可能性がある。 この課題に対処するために,タスク固有の低ランク適応(LoRA)モジュールを組み込んだマルチタスクEEG分析フレームワークであるMTEEGを提案する。 タスク仕様とインタラクションのトレードオフを検討するために,さまざまな方法でLoRAモジュールを統合し,それらを下流の6つのタスクで評価する3種類のMTEEGを提案する。 MTEEGはマルチタスク脳波解析の可能性を示し、将来汎用脳-コンピュータインタフェースの開発を促進する。

関連論文リスト

• MoDE: Effective Multi-task Parameter Efficient Fine-Tuning with a Mixture of Dyadic Experts [6.245113492272563]
  Mixture of Dyadic Experts (MoDE) は効率的なマルチタスク適応のための新しい設計である。 我々の設計はよりきめ細かい混合を可能にし、それによってモデルの複数のタスクを共同で処理する能力を高めます。
  論文  参考訳（メタデータ） (2024-08-02T18:05:10Z)
• Merging Multi-Task Models via Weight-Ensembling Mixture of Experts [64.94129594112557]
  異なるタスクでトレーニングされたTransformerベースのモデルを単一の統一モデルにマージすることで、すべてのタスクを同時に実行できる。 従来の手法は、タスク演算によって例示され、効率的かつスケーラブルであることが証明されている。 本稿では,Transformer層をMoEモジュールにアップスケーリングしながら,ほとんどのパラメータをマージすることを提案する。
  論文  参考訳（メタデータ） (2024-02-01T08:58:57Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• Integrating Contrastive Learning into a Multitask Transformer Model for Effective Domain Adaptation [4.157415305926585]
  本稿では,SERを主課題とするマルチタスクフレームワークを具現化した新しいドメイン適応手法を提案する。 提案手法は, クロスコーパスシナリオにおけるSERの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-07T06:41:29Z)
• Musketeer: Joint Training for Multi-task Vision Language Model with Task Explanation Prompts [75.75548749888029]
  本稿では,全てのタスクに対してパラメータを共同で訓練し,複数の異種タスク間で完全に共有する視覚言語モデルを提案する。 単一のモデルで、Musteteerは単一のタスクでトレーニングされた強いベースラインに匹敵する結果を得る。
  論文  参考訳（メタデータ） (2023-05-11T17:57:49Z)
• Mod-Squad: Designing Mixture of Experts As Modular Multi-Task Learners [74.92558307689265]
  専門家グループ("スクワッド")にモジュール化された新しいモデルであるMod-Squadを提案する。 単一モデルのトレーニング中に、このマッチングプロセスを最適化する。 13の視覚タスクを持つタスクノミーデータセットと、5つの視覚タスクを持つPASCAL-Contextデータセットの実験は、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2022-12-15T18:59:52Z)
• Uni-Perceiver: Pre-training Unified Architecture for Generic Perception for Zero-shot and Few-shot Tasks [73.63892022944198]
  我々はUni-Perceiverという汎用認識アーキテクチャを提案する。 様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。 その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
  論文  参考訳（メタデータ） (2021-12-02T18:59:50Z)
• Heterogeneous Multi-task Learning with Expert Diversity [15.714385295889944]
  そこで我々は,高度不均衡で異種なMTL学習に適した表現を,専門家の間でより多様な表現を導き出すアプローチを提案する。 我々は,集中治療のための医療情報マート (MIMIC-III) と PubChem Bio Assay (PCBA) の3つのMTLベンチマークデータセットに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-06-20T01:30:37Z)

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。