論文の概要: KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation
- arxiv url: http://arxiv.org/abs/2605.13133v1
- Date: Wed, 13 May 2026 08:02:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.888146
- Title: KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation
- Title（参考訳）: KAST-BAR:Universal Neural Interpretationのための知識アンコール型動的トポロジー脳自動回帰モデリング
- Authors: Haoning Wang, Wenchao Yang, Shuai Shen, Yang Li,
- Abstract要約: KAST-BAR(KAST-BAR)を用いた知識アンコール型動的トポロジー脳自動回帰モデルを提案する。
KAST-BARは、多レベル脳トポロジーに由来する生理的表現を専門家レベルの意味空間と動的に整合させる。
21の多様なデータセットで大規模な事前トレーニングを行うことで、KAST-BARは専門家レベルの医療知識をEEG信号表現に効果的に統合する。
- 参考スコア（独自算出の注目度）: 5.377333017300534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While EEG foundation models have shown significant potential in universal neural decoding across tasks, their advancement remains constrained by the inadequacy modeling of complex spatiotemporal topology, as well as the inherent modality gap between low-level physiological signals and high-level textual semantics. To address these challenges, we propose a Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Model (KAST-BAR), which dynamically aligns physiological representations derived from multi-level brain topology with an expert-level semantic space. Specifically, we design a Dual-Stream Hierarchical Attention (DSHA) encoder that accurately captures the brain's intrinsic non-Euclidean topology by modeling local temporal dynamics with global spatial contexts. On this basis, a Knowledge-Anchored Semantic Profiler (KASP) is proposed to synthesize physically-grounded and instance-level textual profiles, which subsequently drive a Semantic Text-Aware Refiner (STAR) to dynamically reconstruct EEG representations using Latent Expert Queries. By conducting large-scale pre-training on 21 diverse datasets to build a foundation model, KAST-BAR effectively integrates expert-level medical knowledge into EEG signal representations, consistently achieving superior performance across six downstream tasks. Our code is available at https://github.com/KAST-BAR/KAST-BAR
- Abstract（参考訳）: 脳波基礎モデルは、タスク間での普遍的神経復号に有意な可能性を示しているが、それらの進歩は、複雑な時空間トポロジーの不十分なモデリングと、低レベルの生理的信号と高レベルのテキスト意味論の間の固有のモダリティギャップによって制約されている。
これらの課題に対処するために、多レベル脳トポロジーから派生した生理的表現を専門家レベルの意味空間と動的に整合させる知識アンコール型セマンティック・ダイナミック・トポロジー・ブレイン・オートレグレッシブ・モデル(KAST-BAR)を提案する。
具体的には、局所時間力学をグローバルな空間文脈でモデル化することにより、脳の内在的非ユークリッド位相を正確にキャプチャするDual-Stream Hierarchical Attention (DSHA)エンコーダを設計する。
このことから,KASP (Knowledge-Anchored Semantic Profiler) が提案され,物理地上およびインスタンスレベルのテキストプロファイルを合成し,その後セマンティックテキスト・アウェア・リファイナ (STAR) を駆動し,ラテント・エキスパート・クエリーを用いて脳波表現を動的に再構築する。
ファンデーションモデルを構築するために、21の多様なデータセットで大規模な事前トレーニングを行うことで、KAST-BARは、専門家レベルの医療知識をEEG信号表現に効果的に統合し、6つの下流タスクで一貫して優れたパフォーマンスを達成する。
私たちのコードはhttps://github.com/KAST-BAR/KAST-BARで利用可能です。
関連論文リスト
- AGEL-Comp: A Neuro-Symbolic Framework for Compositional Generalization in Interactive Agents [0.0]
大規模言語モデル(LLM)に基づくエージェントは、構成一般化においてシステム的失敗を示し、対話環境における堅牢性を制限する。
この研究は、エージェントのアクションを根拠にすることでこの問題に対処するために設計された、ニューロシンボリックAIエージェントアーキテクチャであるAGEL-Compを紹介する。
論文 参考訳（メタデータ） (2026-04-29T10:42:02Z) - BrainRVQ: A High-Fidelity EEG Foundation Model via Dual-Domain Residual Quantization and Hierarchical Autoregression [26.114257185901838]
臨床脳波データの大規模コーパスを事前学習した汎用脳波基礎モデルであるBrainRVQを提案する。
BrainRVQはDual-Domain Residual Vector Quantization (DD-RVQ)トークンを特徴としている。
論文 参考訳（メタデータ） (2026-02-18T23:30:36Z) - DeeperBrain: A Neuro-Grounded EEG Foundation Model Towards Universal BCI [23.430788212164686]
DeeperBrainは、ドメイン固有の帰納バイアスをモデル設計と学習目的に統合する、神経基盤モデルである。
エンドツーエンドの微調整の下で、最先端または高い競争性能を達成する。
DeeperBrainは厳密な凍結プロブリングプロトコルの下で優れた効果を維持している。
論文 参考訳（メタデータ） (2026-01-05T05:31:45Z) - THD-BAR: Topology Hierarchical Derived Brain Autoregressive Modeling for EEG Generic Representations [3.253716156877394]
脳波ジェネリック表現のための新しいトポロジー階層型脳自己回帰モデリング(THD-BAR)を提案する。
THD-BARの核となる革新は、脳位相階層(BTH)の導入である。
BTHに基づいて、マルチスケールトークン化のためのトポロジ階層ベクトル量子化可変オートエンコーダ(THVQ-VAE)を設計し、予測のための特別なマスキング戦略を備えた拡張脳自動回帰(BAR)モジュールを開発する。
論文 参考訳（メタデータ） (2025-11-05T13:20:14Z) - 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) - Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。
非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。
新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
論文 参考訳（メタデータ） (2025-10-09T12:52:55Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - BriLLM: Brain-inspired Large Language Model [40.47939901030644]
BriLLMは、機械学習の基礎を再定義する、脳にインスパイアされた大きな言語モデルである。
BriLLMは2つの重要な神経認知原理を取り入れている。(1) 静的な意味マッピング、(2) トークンは皮質領域に類似した特定のノードにマッピングされ、(2) 脳活動で観察される電気生理学的情報ダイナミクスをシミュレートする動的信号伝達である。
このアーキテクチャは、自然なマルチモーダル互換性、ノードレベルでの完全なモデル解釈可能性、コンテキスト長の独立スケーリング、言語タスクのための脳に似た情報処理のグローバルなシミュレーションなど、複数の革新的なブレークスルーを可能にする。
論文 参考訳（メタデータ） (2025-03-14T11:08:30Z) - Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。
Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。
大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文 参考訳（メタデータ） (2020-06-15T22:22:56Z)
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。