論文の概要: Same Brain, Different Prediction: How Preprocessing Choices Undermine EEG Decoding Reliability

• arxiv url: http://arxiv.org/abs/2605.07212v1
• Date: Fri, 08 May 2026 03:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.790333
• Title: Same Brain, Different Prediction: How Preprocessing Choices Undermine EEG Decoding Reliability
• Title（参考訳）: 脳と異なる予測:前処理の選択が脳波復号の信頼性を損なう方法
• Authors: Dengzhe Hou, Zihao Wu, Lingyu Jiang, Zirui Li, Fangzhou Lin, Kazunori D. Yamada,
• Abstract要約: 我々は,前処理の選択を対実的介入空間として定式化し,脳波予測が驚くほど不安定であることを示す。 私たちはこの不安定性を計測し、分解し、再現する3つのツールを提供します。
• 参考スコア（独自算出の注目度）: 10.719428311874752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is a cornerstone of brain-computer interfaces and clinical neuroscience, yet deep learning models are typically trained and evaluated under a single, unreported preprocessing pipeline. We formalize preprocessing choices as a counterfactual intervention space and show that EEG predictions are surprisingly unstable under this space: across six datasets spanning four paradigms, up to 42% of trial-level predictions flip when only the preprocessing changes, a variability that standard uncertainty methods do not explicitly quantify because they condition on a fixed preprocessing pipeline. We provide three tools to make this instability measurable, decomposable, and reducible. First, a Walsh-Hadamard decomposition of the 2^7 pipeline space reveals that sensitivity is near-additive in practice under the binary intervention design, enabling efficient step-by-step optimization. Second, we introduce Preprocessing Uncertainty (PU), a per-trial diagnostic that captures a dimension of instability complementary to model-based confidence. Third, we study Normalized Adaptive PGI (NA-PGI), a graph-structured regularizer that exploits the compositional structure of preprocessing interventions as one mitigation strategy with clear scope conditions.
• Abstract（参考訳）: 脳波(Electroencephalography、EEG)は脳とコンピュータのインターフェースと臨床神経科学の基礎であるが、ディープラーニングモデルは通常、単一の未報告前処理パイプラインの下で訓練され評価される。 脳波予測は4つのパラダイムにまたがる6つのデータセットにまたがって、前処理の変更だけを行うと最大42%の試行レベルの予測が反転する。 私たちはこの不安定性を計測し、分解し、再現する3つのツールを提供します。 第一に、2^7パイプライン空間のウォルシュ・アダマール分解は、二元干渉設計の下では感度がほぼ付加的であり、効率的なステップバイステップ最適化を可能にすることを明らかにしている。 第2に, モデルベース信頼度に相補する不安定性の次元を捉える, 心房中診断のための前処理不確実性 (PU) を導入する。 第3に,グラフ構造化正規化手法である正規化適応PGI(NA-PGI)について検討した。

関連論文リスト

• MedFormer-UR: Uncertainty-Routed Transformer for Medical Image Classification [0.0]
  我々は、プロトタイプベースの学習と不確実性誘導ルーティングを組み込んだ修正型メディカルトランス(MedFormer)を強化する。 我々のフレームワークは、あいまいさをリアルタイムで定量化し、ローカライズすることができる。 この不確実性は単なるアウトプットではなく、トレーニングプロセスのアクティブな参加者であり、信頼性の低い機能更新をフィルタリングする。
  論文  参考訳（メタデータ） (2026-04-10T02:03:25Z)
• Compliance-Aware Predictive Process Monitoring: A Neuro-Symbolic Approach [2.6132365604376404]
  本稿では,予測モデルにプロセス知識を注入するために,論理ネットワーク(LTN)を活用する,予測プロセス監視のためのニューラルシンボリックアプローチを提案する。 本評価は, プロセス制約の学習に加えて, ニューロシンボリックモデルも優れた性能を示し, コンプライアンスの向上と, ベースラインアプローチと比較して精度の向上を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-27T19:37:13Z)
• Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework [0.6509758931804478]
  深層学習モデルは、心停止後のコマトース患者の脳波による予後予測において有望であることが示されている。 しかし、その信頼性はしばしば微妙なデータ漏洩によって損なわれます。 本研究では,多段階脳波モデリングパイプラインにおいて,これまで見過ごされていたデータ漏洩形態を同定する。
  論文  参考訳（メタデータ） (2026-03-26T21:28:23Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• From Cheap Geometry to Expensive Physics: Elevating Neural Operators via Latent Shape Pretraining [4.838293051443775]
  工業設計評価は、しばしば偏微分方程式(PDE)のシミュレーションに依存する 演算子学習はPDEソリューション予測を加速するための有望なアプローチとして登場した。 我々は、この豊富な物理に依存しない資源をうまく活用するための2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-30T05:01:31Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。