論文の概要: MPNet: A Robust and Efficient Manifold Pooling Network for Multi-Rhythm EEG Signal Decoding

• arxiv url: http://arxiv.org/abs/2605.05212v1
• Date: Sat, 11 Apr 2026 05:16:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.596476
• Title: MPNet: A Robust and Efficient Manifold Pooling Network for Multi-Rhythm EEG Signal Decoding
• Title（参考訳）: MPNet:マルチリズム脳波信号復号のためのロバストで効率的なマニフォールドポーリングネットワーク
• Authors: Guoqing Cai, Kai Zeng, Shoulin Huang, Ting Ma,
• Abstract要約: 本稿では、時間周波数の包括的表現を抽出するリズム適応畳み込み法を提案する。 その後、これらのノードを固定サイズで単一の融合ノードに集約する新しい多様体ノードプーリング層が提案される。 2つのパブリックEEGデータセットの実験は、MPNetが最先端の精度を達成し、同等のリーマンモデルよりも最大10倍高速に動作し、限られたデータ条件下で堅牢なパフォーマンスを維持していることを示している。
• 参考スコア（独自算出の注目度）: 8.971497191432526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Riemannian networks provide a powerful framework for Electroencephalography (EEG) decoding, but their practical applications are severely constrained. Accurately decoding EEG signals requires modeling complex temporal dynamics across multiple rhythms, which results in high-dimensional Riemannian inputs and significant computational costs. To address this, we propose the Manifold Pooling Network (MPNet). MPNet uses a rhythm-adaptive convolutional frontend to extract comprehensive time-frequency representations and generate multi-view Riemannian nodes. A novel manifold node pooling layer is then proposed to aggregate these nodes into a single fusion node with a fixed size, enabling the following deep Riemannian network to process it with greatly reduced costs. Experiments on two public EEG datasets show that MPNet achieves state-of-the-art accuracy, runs up to 10 times faster than the comparable Riemannian model, and maintains robust performance under limited-data conditions. These findings highlight MPNet's practicality and efficiency for real-world EEG applications.
• Abstract（参考訳）: ディープリーマンネットワークは脳波デコーディング(EEG)のための強力なフレームワークを提供するが、その実践的応用は厳しく制約されている。 脳波信号を正確に復号するには、複数のリズムにまたがる複雑な時間力学をモデル化する必要がある。 そこで本研究では,MPNet(Manifold Pooling Network)を提案する。 MPNetはリズム適応型畳み込みフロントエンドを使用して、包括的な時間周波数表現を抽出し、マルチビューリーマンノードを生成する。 その後、新しい多様体ノードプーリング層が提案され、これらのノードを固定サイズで単一の融合ノードに集約することで、以下のディープリーマンネットワークが大幅にコストを削減して処理することができる。 2つのパブリックEEGデータセットの実験は、MPNetが最先端の精度を達成し、同等のリーマンモデルよりも最大10倍高速に動作し、限られたデータ条件下で堅牢なパフォーマンスを維持していることを示している。 これらの知見は,実世界の脳波アプリケーションにおけるMPNetの実用性と効率性を浮き彫りにした。

関連論文リスト

• Metasurfaces-Integrated Wireless Neural Networks for Lightweight Over-The-Air Edge Inference [34.75476728721598]
  6G無線ネットワークは、さまざまなモノのインターネット(IoT)アプリケーションのための超低レイテンシとエネルギー効率のエッジ推論(EI)を想定している。 従来の機械学習用デジタルハードウェアは電力集約型であり、代替計算パラダイムの必要性を動機付けている。 オーバー・ザ・エア(OTA)計算は、無線チャネルを割り当て、積極的に計算処理を行うための新しい変換手法であると考えられている。 本稿では,物理層対応ディープラーニングフレームワークであるMetagrounds-Integrated Networks(MINNs)のコンセプトを紹介する。
  論文  参考訳（メタデータ） (2026-02-22T19:23:49Z)
• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• A Lightweight RL-Driven Deep Unfolding Network for Robust WMMSE Precoding in Massive MU-MIMO-OFDM Systems [8.526578240549794]
  本稿では,各SWMMSEイテレーションをネットワーク層にマッピングする,軽量強化学習(RL)駆動の深層展開(RLDDU-Net)ネットワークを提案する。 具体的には、そのDUモジュールは、ビーム領域の間隔と周波数領域のサブキャリア相関を統合し、収束を著しく加速し、計算オーバーヘッドを低減する。 不完全なCSI下でのシミュレーションの結果、RLDDU-Netは計算効率と収束効率を向上しつつ、既存のEWSR性能のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:54:42Z)
• Disaggregating Embedding Recommendation Systems with FlexEMR [15.8882408225153]
  FlexEMRは、ネットワークの課題に取り組むための2つのテクニックを提案しています。 それぞれのテクニックの設計空間を概説し、初期のプロトタイプからの最初の結果を示す。
  論文  参考訳（メタデータ） (2024-09-28T01:58:11Z)
• MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
  MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。 最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T05:44:50Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• ExPAN(N)D: Exploring Posits for Efficient Artificial Neural Network Design in FPGA-based Systems [4.2612881037640085]
  本稿では,ANNに対するポジット数表現方式の有効性と不動点演算の実装効率を解析し,比較する。 本稿では,ANNのための高性能かつ省エネなハードウェア実装を実現するための,新しい固定点変換器Posit to Fix-pointを提案する。
  論文  参考訳（メタデータ） (2020-10-24T11:02:25Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• EmotionNet Nano: An Efficient Deep Convolutional Neural Network Design for Real-time Facial Expression Recognition [75.74756992992147]
  本研究では,人間と機械の協調設計戦略によって構築された,効率的な深層畳み込みニューラルネットワークであるEmotionNet Nanoを提案する。 EmotionNet Nanoの2つの異なるバリエーションが提示され、それぞれがアーキテクチャと計算の複雑さと精度のトレードオフを持っている。 提案するEmotionNet Nanoネットワークは,実時間推定速度(例えば,15Wおよび30Wで$>25$ FPSと$>70$ FPS)と高エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2020-06-29T00:48:05Z)

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。