論文の概要: Cross-Subject Generalization for EEG Decoding: A Survey of Deep Learning Methods

• arxiv url: http://arxiv.org/abs/2604.27033v2
• Date: Fri, 01 May 2026 22:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 14:09:06.992625
• Title: Cross-Subject Generalization for EEG Decoding: A Survey of Deep Learning Methods
• Title（参考訳）: 脳波復号のためのクロスオブジェクト一般化:ディープラーニング手法の検討
• Authors: Taida Li, Yujun Yan, Fei Dou, Wenzhan Song, Xiang Zhang,
• Abstract要約: クロスオブジェクトのEEGデコーディングは、高いオブジェクト間変動によって妨げられる。 この調査は、クロスオブジェクト設定をマルチソースドメイン問題として定式化する。 我々は、堅牢で実世界の復号化を進めるための3つの重要な要素を調べて結論付ける。
• 参考スコア（独自算出の注目度）: 11.263438023148808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning for cross-subject EEG decoding is hindered by high inter-subject variability, which introduces a severe domain shift between training and unseen test subjects. This survey presents a comprehensive review of deep learning methodologies specifically engineered to address this cross-subject generalization challenge. To ground this analysis, we formalize the cross-subject setting as a multi-source domain problem and delineate the rigorous, subject-independent evaluation protocols required for valid assessment. Central to this survey is a systematic taxonomy of the current literature into discrete methodological families, including feature alignment, adversarial learning, feature disentanglement, and contrastive learning. We conclude by examining three critical elements for advancing robust, real-world decoding: the theoretical limitations of current methodologies, the structural value of subject identity, and the emergence of EEG foundation models.
• Abstract（参考訳）: クロスオブジェクト脳波復号のための深層学習は、高いオブジェクト間変動によって妨げられる。 本調査では,このクロスオブジェクト一般化問題に対処するために特別に開発されたディープラーニング手法の総合的なレビューを行う。 この分析を基礎として、クロスオブジェクト設定を多元的ドメイン問題として定式化し、妥当性評価に必要な厳密で主題に依存しない評価プロトコルを規定する。 この調査の中心は、特徴の整合性、敵対的学習、特徴の絡み合い、対照的な学習を含む、現在の文献を個別の方法論の族に分類する体系的な分類である。 我々は、現在の方法論の理論的限界、主観的アイデンティティの構造的価値、EEG基盤モデルの出現という、堅牢で実世界のデコードを進めるための3つの重要な要素を検証することによって結論付ける。

関連論文リスト

• Generalization Under Scrutiny: Cross-Domain Detection Progresses, Pitfalls, and Persistent Challenges [3.5942496616930435]
  クロスドメインオブジェクト検出(CDOD)は依然として重要な研究領域である。 既存の文献は断片化され続けており、ドメインシフトの根底にある構造的課題について統一的な視点が欠如している。 本調査はCDODを理解するための統一的なフレームワークの提供と,より堅牢な検出システムの開発を導くことを目的としている。
  論文  参考訳（メタデータ） (2026-04-09T13:21:25Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• A Survey of Deep Learning for Geometry Problem Solving [52.90604903858389]
  幾何学的問題解決は、教育、AIの数学的能力の評価、マルチモーダル能力の評価など、様々な領域で不可欠である。 近年のディープラーニング技術、特にマルチモーダルな大規模言語モデルの出現は、この分野の研究を著しく加速させている。
  論文  参考訳（メタデータ） (2025-07-16T06:03:08Z)
• Pitfalls of topology-aware image segmentation [81.19923502845441]
  我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。 本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:11:42Z)
• A Survey of Event Causality Identification: Taxonomy, Challenges, Assessment, and Prospects [6.492836595169771]
  事象因果同定(ECI)は自然言語処理(NLP)において重要な課題となっている。 この総合的な調査は、基本的な概念とモデルを体系的に調査し、体系的な分類学を開発し、多様なモデルを批判的に評価する。
  論文  参考訳（メタデータ） (2024-11-15T17:19:42Z)
• Multi-Faceted Question Complexity Estimation Targeting Topic Domain-Specificity [0.0]
  本稿では,NLP手法と知識グラフ解析を併用した,ドメイン固有の質問難度推定のための新しいフレームワークを提案する。 本稿では,トピック検索コスト,トピック・サリエンス,トピック・コヒーレンス,トピック・スーパーファシリティの4つの主要なパラメータを紹介する。 これらの特徴を訓練したモデルにより,質問の難易度を予測する手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-08-23T05:40:35Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [51.26815896167173]
  本稿では,3つの相補的な側面からPAMIレビューを総合的に分析する。 我々の分析は、現在のレビューの実践において、独特の組織パターンと永続的なギャップを明らかにします。 最後に、最先端のAI生成レビューの評価は、コヒーレンスと組織の進歩を奨励していることを示している。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Toward cross-subject and cross-session generalization in EEG-based emotion recognition: Systematic review, taxonomy, and methods [0.0]
  脳波信号の非定常性は重要な問題であり、データセットシフト問題につながる可能性がある。 418の論文が Scopus, IEEE Xplore, PubMedデータベースから取得された。 平均分類精度の観点から最も優れた結果を得た研究を同定した。
  論文  参考訳（メタデータ） (2022-12-16T22:48:37Z)

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。