論文の概要: Foundation Model Guided Dual-Branch Co-Adaptation for Source-Free EEG Decoding
- arxiv url: http://arxiv.org/abs/2605.00857v1
- Date: Tue, 21 Apr 2026 06:01:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.472033
- Title: Foundation Model Guided Dual-Branch Co-Adaptation for Source-Free EEG Decoding
- Title（参考訳）: ソースフリー脳波復号のためのファンデーションモデルによるデュアルブランチ共適応
- Authors: Peiliang Gong, Han Zhang, Zhen Jiang, Chenyu Liu, Ziyu Jia, Xinliang Zhou, Daoqiang Zhang, Xiaoli Li,
- Abstract要約: Source-free Domain adapt (SFDA)は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース予測モデルを適用することで、EEGデコーディングをクロスサブジェクトする実用的なソリューションを提供する。
本稿ではFUSEDを提案する。FUSEDは、大規模なFMとコンパクトなスペシャリストモデルを統合した、ファウンデーションによるオープンソースのEEGデコーディングフレームワークである。
- 参考スコア（独自算出の注目度）: 41.18490005117712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Source-free domain adaptation (SFDA) provides a practical solution to cross-subject EEG decoding by adapting source-pretrained models to unlabeled target domains without accessing source data. However, existing SFDA methods rely solely on the limited internal knowledge of source-pretrained models, leading to inferior cross-domain generalization and unreliable pseudo-labels. Although EEG Foundation Models (FMs) pretrained on large-scale data exhibit strong generalizability, their potential in SFDA remains largely unexplored. To this end, we propose FUSED, a Foundation-guided Source-free EEG Decoding framework that integrates a large-scale FM with a compact Specialist Model (SM) via dual-branch co-adaptation. Specifically, we introduce a Co-adaptation mechanism equipping both branches with linear and prototype views, enabling cross-branch pseudo-label generation. Additionally, we design a Consensus Filtering Mechanism that exploits the FM's inherent stability to identify high-quality samples, along with a Two-Stage Pseudo-Label Refinement scheme to suppress error accumulation through cross-branch arbitration. Finally, we calibrate the FM's decision boundaries via mutual information maximization with the SM, followed by knowledge distillation from FM to SM, forming a principled calibrate-then-distill pipeline. To our knowledge, FUSED is the first work to leverage EEG FMs within the SFDA framework for cross-subject EEG decoding. Extensive experiments across three EEG paradigms, including motor imagery, emotion recognition, and SSVEP, demonstrate consistent state-of-the-art performance, validating the effectiveness of foundation-guided synergy for robust and privacy-preserving EEG decoding.
- Abstract（参考訳）: Source-free Domain adapt (SFDA)は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース予測モデルを適用することで、EEGデコーディングをクロスサブジェクトする実用的なソリューションを提供する。
しかし、既存のSFDA法は、ソース事前制約されたモデルの限られた内部知識にのみ依存しており、下位領域の一般化と信頼性の低い擬似ラベルをもたらす。
脳波ファンデーションモデル(FM)は大規模データで事前訓練されているが、SFDAにおけるその可能性はほとんど解明されていない。
この目的のために、FUSEDは、ファウンデーションに誘導されるソースフリーのEEGデコーディングフレームワークであり、デュアルブランチのコ適応により、大規模FMとコンパクトなスペシャリストモデル(SM)を統合する。
具体的には,両ブランチに線形およびプロトタイプビューを装備し,クロスブランチの擬似ラベル生成を可能にするコ適応機構を提案する。
さらに、FMの固有の安定性を利用して高品質なサンプルを識別するコンセンサスフィルタリング機構を設計し、クロスブランチ仲裁によるエラーの蓄積を抑制する2段階の擬似ラベルリファインメントスキームを設計する。
最後に、FMの判定境界をSMとの相互情報最大化により校正し、続いてFMからSMへの知識蒸留を行い、原理化された校正理論のパイプラインを形成する。
我々の知る限り、FUSEDは、SFDAフレームワーク内でEEG FMをクロスオブジェクトのEEGデコーディングに活用する最初の試みである。
運動画像、感情認識、SSVEPを含む3つの脳波パラダイムにわたる大規模な実験は、一貫した最先端のパフォーマンスを示し、堅牢でプライバシを保存する脳波復号のための基礎誘導相乗効果の有効性を検証する。
関連論文リスト
- Structured Prototype-Guided Adaptation for EEG Foundation Models [56.35233377493694]
脳波基礎モデルでは、主観レベルの監督が限定されている場合、一般化が不十分であることが示されている。
この失敗は、ノイズ、限られた監督とEMFの高可塑性パラメータ空間の間の構造的ミスマッチに起因する。
EFMファインチューニングのための構造化COnfidence対応プロトタイプ誘導適応フレームワークSCOPEを提案する。
論文 参考訳（メタデータ） (2026-02-19T10:54:29Z) - Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。
JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
論文 参考訳（メタデータ） (2026-01-19T08:12:47Z) - Collaborative Learning with Multiple Foundation Models for Source-Free Domain Adaptation [9.231185930198162]
Source-Free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインに適応することを目的としている。
ファンデーションモデル(FM)の最近の進歩は、SFDAをガイドするための外部意味知識を活用する新たな機会をもたらした。
論文 参考訳（メタデータ） (2025-11-24T14:12:22Z) - Beyond Boundaries: Leveraging Vision Foundation Models for Source-Free Object Detection [34.292554427633505]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースに制限されたオブジェクト検出器をターゲットドメインに適応することを目的としている。
ヴィジョン・ファンデーション・モデル(VFM)は、大規模で多様なデータに基づいて事前訓練され、強力な知覚能力と広範な一般化を示す。
本稿では,VFMを外部知識源として活用し,特徴アライメントとラベル品質を協調的に向上する新しいSFODフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-10T17:06:01Z) - Ambiguity-aware Truncated Flow Matching for Ambiguous Medical Image Segmentation [10.578008836960134]
本稿では,Ambiguity-Aware Truncated Flow Matching (ATFM)を提案する。
GTRは予測の忠実度とトラニケート分布の信頼性の両方を高めるために導入された。
SFMは,セマンティック・アウェア・フロー・トランスフォーメーションの拡張により,多様な予測の妥当性を高めるために提案されている。
ATFMは、高度な手法と比較して、GEDとHM-IoUを最大$12%、$7.3%改善している。
論文 参考訳（メタデータ） (2025-11-10T08:57:06Z) - When Brain Foundation Model Meets Cauchy-Schwarz Divergence: A New Framework for Cross-Subject Motor Imagery Decoding [21.816266585365042]
MI-EEGデコーディングは、オブジェクト間の大きなばらつきと限られたラベル付きターゲットデータのため、依然として困難である。
多くの既存のマルチソースドメイン適応手法は、すべての利用可能なソースドメインを無差別に組み込む。
本稿では,事前訓練された大脳基礎モデル(BFM)を動的および情報的対象選択に活用する新しいMSDAフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-28T17:55:26Z) - Hyper-modal Imputation Diffusion Embedding with Dual-Distillation for Federated Multimodal Knowledge Graph Completion [59.54067771781552]
本稿では,FedMKGCのマルチモーダル不確実性とマルチモーダルクライアントの不均一性問題に対処するMMFeD3-HidEというフレームワークを提案する。
本稿では,MMFedEという一般的なFedMKGCバックボーン,異種マルチモーダル情報を持つデータセット,構築されたベースラインの3つのグループからなる総合評価のためのFedMKGCベンチマークを提案する。
論文 参考訳（メタデータ） (2025-06-27T09:32:58Z) - Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。
意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。
提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
論文 参考訳（メタデータ） (2025-06-06T03:20:32Z) - Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。
本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。
提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
論文 参考訳（メタデータ） (2025-05-12T01:36:06Z) - FedSKD: Aggregation-free Model-heterogeneous Federated Learning using Multi-dimensional Similarity Knowledge Distillation [7.944298319589845]
フェデレートラーニング(FL)は、直接データを共有することなく、プライバシー保護のための協調モデルトレーニングを可能にする。
MHFL(Model-heterogeneous FL)は、クライアントが計算資源やアプリケーション固有のニーズに合わせて、不均一なアーキテクチャでパーソナライズされたモデルを訓練することを可能にする。
ピアツーピア(P2P)FLはサーバ依存を除去するが、モデルドリフトと知識の希釈に悩まされ、不均一な設定での有効性が制限される。
ラウンドロビンモデル循環による直接知識交換を容易にする新しいMHFLフレームワークであるFedSKDを提案する。
論文 参考訳（メタデータ） (2025-03-23T05:33:10Z)
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。