論文の概要: 1BT: One-Block Transformer for EEG-Based Cognitive Workload Assessment

• arxiv url: http://arxiv.org/abs/2605.00856v1
• Date: Tue, 21 Apr 2026 04:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.470636
• Title: 1BT: One-Block Transformer for EEG-Based Cognitive Workload Assessment
• Title（参考訳）: 1BT:脳波を用いた認知作業負荷評価のためのワンクロック変換器
• Authors: Stefanos Gkikas, Christian Arzate Cruz, Thomas Kassiotis, Giorgos Giannakakis, Raul Fernandez Rojas, Randy Gomez,
• Abstract要約: 本稿では,脳波を用いた認知負荷評価のためのワンブロック変換器である1BTを紹介する。 認知学的に多様な3つの課題を遂行する11人の被験者を対象とした対照研究を行った。 このモデルは0.5百万以下のパラメータと0.02 GFLOPで高いワークロード分類性能を達成する。
• 参考スコア（独自算出の注目度）: 6.076106785472718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and continuous estimation of cognitive workload is fundamental to creating adaptive human-machine systems. However, designing architectures that balance representational capacity with computational efficiency has been challenging for practical deployment. This paper introduces 1BT, a One-Block Transformer for compact and efficient EEG-based cognitive workload assessment. The model aggregates multi-channel temporal sequences via a minimal latent bottleneck, using a single cross-attention module followed by lightweight self-attention. A controlled study involving 11 participants performing three cognitively diverse tasks (abstract reasoning, numerical problem-solving, and an interactive video game) was conducted with continuous EEG recordings across two workload levels. Systematic architectural analysis identifies the most compact configuration that preserves high performance, while substantially lowering computational cost. The final model achieves high workload classification performance with under 0.5 million parameters and 0.02 GFLOPs, paving the way for a design direction for real-time cognitive workload monitoring in resource-constrained settings.
• Abstract（参考訳）: 認知的ワークロードの正確かつ連続的な評価は、適応的なヒューマンマシンシステムの構築に不可欠である。 しかし, 計算効率と表現能力のバランスをとるアーキテクチャの設計は, 実用化には困難である。 本稿では,脳波を用いた認知負荷評価のためのワンブロック変換器である1BTを紹介する。 このモデルは、単一のクロスアテンションモジュールと軽量な自己アテンションを用いて、最小限の潜在ボトルネックを介して、マルチチャネル時間シーケンスを集約する。 認知学的に多様な3つのタスク(抽象推論,数値問題解決,対話型ビデオゲーム)を行う11名の被験者を対象に,2つの作業負荷レベルにわたる連続脳波記録を行った。 システムアーキテクチャ解析は、高い性能を保ちながら計算コストを大幅に削減する最もコンパクトな構成を特定する。 最終モデルは0.5百万以下のパラメータと0.02 GFLOPで高いワークロード分類性能を達成し、リソース制約のある環境でのリアルタイム認知的ワークロード監視のための設計方向の道を開く。

関連論文リスト

• Self-adaptive Multi-Access Edge Architectures: A Robotics Case [0.0]
  本稿では,人間とロボットの混在環境における効率的な計算システムに対する自己適応手法を提案する。 このタスクは、知覚データを利用して人間の移動行動を予測し、移動ロボットの積極的な経路計画を強化し、人間の安全を確保するニューラルネットワークアルゴリズムと関連付けられている。 その結果、従来のセットアップよりもサービス品質が顕著に向上し、AI駆動システムに対する提案されたアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2026-04-15T06:45:54Z)
• Toward Large-Scale Photonics-Empowered AI Systems: From Physical Design Automation to System-Algorithm Co-Exploration [5.036634263468385]
  SimPhonyは実装対応のモデリングと高速な層間評価を提供する。 ADEPTとADEPT-Zは、エンドツーエンドのサーキットとトポロジー探索を可能にする。 Apollo と LiDAR はスケーラブルなフォトニック物理設計自動化を提供する。
  論文  参考訳（メタデータ） (2025-12-31T22:21:42Z)
• Cognitive Load Limits in Large Language Models: Benchmarking Multi-Hop Reasoning [0.0]
  大規模言語モデル(LLM)は孤立したタスクにおいて優れるが、認知的負荷下での推論はいまだに理解されていない。 本稿では,タスク不適切な情報(コンテキスト飽和)とタスク切替による干渉が,性能を低下させる重要なメカニズムであることを示唆する,計算認知負荷の形式的理論を導入する。
  論文  参考訳（メタデータ） (2025-09-23T19:36:56Z)
• Physics-Informed Operator Learning for Hemodynamic Modeling [21.23338035603045]
  State-of-the-the-art Physics-informed Neural Network (PINN) アプローチでは、偏微分方程式の制約を強制するために、逆あるいは対照的な目的を持つ深いマルチブランチアーキテクチャを採用している。 物理インフォームドニューラル演算子学習モデルについて,知識蒸留による簡易アーキテクチャの訓練のための効率的な監視信号として検討する。 提案手法は,高忠実度カフレス血圧記録における物理情報を用いたDeepONet (PI-DeepONet) を事前学習し,物理制約下での生ウェアラブル波形からビート・ツー・ビート・プレッシャ信号への演算子マッピングを学習する。
  論文  参考訳（メタデータ） (2025-09-22T00:24:44Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)

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。