論文の概要: Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation

• arxiv url: http://arxiv.org/abs/2605.10947v2
• Date: Wed, 13 May 2026 22:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.739086
• Title: Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation
• Title（参考訳）: 変分深層埋め込みによる解釈可能な脳波マイクロステートディスカバリ:マルチクアドラント評価を用いた体系的アーキテクチャ探索
• Authors: Saheed Faremi, Andrea Visentin, Luca Longo,
• Abstract要約: EEGマイクロステート分析は、連続した脳の電気活動を、短い準安定な地形構成に分割する。 修正K平均のような従来のアプローチは、電極空間で直接に割り当てて動作する。 本稿では、地形復元と確率的ソフトクラスタリングを共同で学習する畳み込み変分深層埋め込み(Conv-VaDE)モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG microstate analysis segments continuous brain electrical activity into brief, quasi-stable topographic configurations that reflect discrete functional brain states. Conventional approaches such as Modified K-Means operate directly in electrode space with hard assignment, offering no learned latent representation, no generative decoder, and no mechanism to decode latent configurations into verifiable scalp topographies, limiting both model transparency and interpretability. To address this, we present a Convolutional Variational Deep Embedding (Conv-VaDE) model that jointly learns topographic reconstruction and probabilistic soft clustering in a shared latent space. Conv-VaDE enables generative decoding of cluster prototypes into verifiable scalp topographies, replacing opaque hard partitioning with probabilistic soft assignment. A polarity invariance scheme and a four-dimensional grid search over cluster count (K from 3 to 20), latent dimensionality, network depth, and channel width are conducted to systematically reveal how each architectural design choice shapes the quality, stability, and interpretability of learned EEG microstate representations. The model is evaluated on the LEMON resting-state eyes-closed EEG dataset with ten participants using topographic template formation, clustering stability, and global explained variance (GEV). The architecture search reveals that depth L = 4 appears consistently across all 18 best-performing configurations, yielding a best-case GEV of 0.730 and a silhouette of 0.229 at K = 4 across the model sweeps, where moderately deep networks with compact channel widths and small latent dimensionality dominate across the full K range. These results establish that principled architecture search, rather than model scale, is the key to interpretable and stable EEG microstate discovery via variational deep embedding.
• Abstract（参考訳）: 脳波マイクロステート分析は、連続した脳の電気活動を、離散的な機能的脳状態を反映する短い準安定な地形構成に区分する。 修正K-Meansのような従来のアプローチは、ハードな割り当てで直接電極空間で動作し、学習された潜在表現、生成デコーダ、潜在構成を検証可能な頭皮のトポグラフィーにデコードするメカニズムを提供し、モデルの透明性と解釈可能性の両方を制限する。 これを解決するために、共用潜在空間における地形再構成と確率的ソフトクラスタリングを共同で学習する畳み込み変分深層埋め込み(Conv-VaDE)モデルを提案する。 Conv-VaDEは、クラスタプロトタイプを検証可能な頭皮のトポグラフィにデコードし、不透明なハードパーティショニングを確率的ソフトアロケーションに置き換える。 学習したEEGマイクロステート表現の質,安定性,解釈性を,それぞれの設計選択がどのように形成するかを体系的に明らかにするために,極性不変スキームと4次元グリッドサーチオーバークラスタカウント(K:3〜20),潜時次元,ネットワーク深さ,チャネル幅を行う。 このモデルは、地形テンプレート形成、クラスタリング安定性、大域的説明分散(GEV)を用いて、LEMON静止状態脳波データセットを用いて評価した。 アーキテクチャ探索の結果、深さ L = 4 は18の最高性能構成すべてに一貫して現れ、最高のケース GEV は 0.730、シルエットは 0.229 で、K = 4 はモデルスイープを横切る。 これらの結果は、モデルスケールではなく、原則的アーキテクチャ探索が、変分深層埋め込みによる脳波マイクロステート発見を解釈し、安定したものにするための鍵であることを証明している。

関連論文リスト

• Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
  畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。 我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。 NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
  論文  参考訳（メタデータ） (2026-05-11T09:21:04Z)
• CryoLVM: Self-supervised Learning from Cryo-EM Density Maps with Large Vision Models [20.31346781705925]
  CryoLVMは, 解析された構造を持つ実験密度写像から, リッチな構造表現を学習する基礎モデルである。 我々は,CryoLVMの有効性を,密度マップのシャープ化,密度マップの超解像化,ウェッジ復元の欠如という3つのクリティカルなCryo-EMタスクで実証した。
  論文  参考訳（メタデータ） (2026-02-02T13:36:36Z)
• HEDGE: Hallucination Estimation via Dense Geometric Entropy for VQA with Vision-Language Models [4.099133096025821]
  視覚言語モデル(VLM)は、オープンエンドの視覚的質問応答を可能にするが、幻覚に苦しむ傾向にある。 我々は、制御された視覚摂動、セマンティッククラスタリング、堅牢な不確実性メトリクスを組み合わせた幻覚検出のための統合フレームワークであるHEDGEを提案する。
  論文  参考訳（メタデータ） (2025-11-16T17:16:31Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Divide-and-Conquer: Confluent Triple-Flow Network for RGB-T Salient Object Detection [70.84835546732738]
  RGB-Thermal Salient Object Detectionは、目視と熱赤外画像のペア内の目立つ物体をピンポイントすることを目的としている。 従来のエンコーダ・デコーダアーキテクチャは、欠陥モードから生じるノイズに対する頑健さを十分に考慮していなかったかもしれない。 本稿では,Divide-and-Conquer戦略を用いた,堅牢なConfluent Triple-Flow NetworkであるConTriNetを提案する。
  論文  参考訳（メタデータ） (2024-12-02T14:44:39Z)
• Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
  グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。 オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-05-19T23:52:48Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。