論文の概要: Mechanistic Interpretability of EEG Foundation Models via Sparse Autoencoders

• arxiv url: http://arxiv.org/abs/2605.13930v2
• Date: Fri, 15 May 2026 12:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:25.970437
• Title: Mechanistic Interpretability of EEG Foundation Models via Sparse Autoencoders
• Title（参考訳）: スパースオートエンコーダによる脳波基礎モデルの機械論的解釈可能性
• Abstract要約: 脳波基礎モデルは最先端の臨床成績を達成するが、それらの予測を駆動する内部計算は不透明である。 アーキテクチャ的に異なる3つのEEGトランスにTopKスパースオートエンコーダを適用する。 アーキテクチャ間のモノセマンティリティと絡み合いをベンチマークします。
• 参考スコア（独自算出の注目度）: 21.680094490174003
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: EEG foundation models achieve state-of-the-art clinical performance, yet the internal computations driving their predictions remain opaque: a barrier to clinical trust. We apply TopK Sparse Autoencoders (SAEs) across three architecturally distinct EEG transformers: SleepFM, REVE, and LaBraM to extract sparse feature dictionaries from their embeddings. By grounding these features in a clinical taxonomy (abnormality, age, sex, and medication), we benchmark monosemanticity and entanglement across architectures. A single hyperparameter procedure, driven by an intrinsic dictionary health audit, transfers robustly across all three architectures. Via concept steering, we introduce a "target vs. off-target" probe area metric to quantify steering selectivity and reveal three operational regimes: selectively steerable, encoded but entangled, and non-encoded. This framework exposes critical representational failures: "wrecking-ball" interventions that collapse global model performance, and clinical entanglements, such as age-pathology confounding, where it is impossible to suppress one concept without corrupting the other. Finally, a spectral decoder maps these interventions back to the amplitude spectrum, translating latent manipulations into physiologically interpretable frequency signatures, such as pathological slow-wave suppression and $α$-band restoration.
• Abstract（参考訳）: 脳波基礎モデルは最先端の臨床成績を達成するが、その予測を駆動する内部計算は不透明であり、臨床信頼への障壁である。 我々は、SleepFM、REVE、LaBraMという3つのアーキテクチャで異なるEEGトランスフォーマーにTopKスパースオートエンコーダ(SAE)を適用し、その埋め込みからスパース特徴辞書を抽出する。 これらの特徴を臨床分類学(異常、年齢、性別、薬物)に根ざすことで、建築全体にわたる独占性と絡み合いをベンチマークする。 固有の辞書健康監査によって駆動される1つのハイパーパラメータ手順は、3つのアーキテクチャすべてにわたって堅牢に転送される。 コンセプトステアリングでは、ステアリングの選択性を定量化し、選択的ステアリング、エンコード、エンタングル、非エンコードという3つの運用体制を明らかにする「ターゲット対オフターゲット」プローブ領域メトリクスを導入する。 この枠組みは、グローバルモデルのパフォーマンスを損なう「難解なボール」介入や、年齢と病理の混在のような臨床の絡み合い、一方の概念を他方の概念を損なうことなく抑えることは不可能である、という重要な表現的失敗を露呈している。 最後に、スペクトルデコーダはこれらの干渉を振幅スペクトルにマッピングし、潜在的操作を生理学的に解釈可能な周波数シグネチャに翻訳する。

関連論文リスト

• ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
  EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。 既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。 本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
  論文  参考訳（メタデータ） (2026-09-04T12:48:25Z)
• Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets [0.0]
  M3PI-DeepONetは、平均相対的なL2速度誤差を4%以下、圧力誤差を5%程度で、非定常な3次元流速と圧力場を同時に予測する。 本研究は, 心血管疾患モデルにおける深層学習の応用を推し進め, リアルタイム非侵襲的臨床診断への一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-08-13T09:08:24Z)
• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Rad-JEPA 3D: Radiology Joint-Embedding Predictive Model for 3D Computed Tomography [10.665332135327205]
  ボリュームCT表現を学習する共同埋め込み予測フレームワークであるRad-JEPA 3Dを紹介する。 中間表現の質を向上させるために,隠れ状態直交正規化(HSOR)を提案する。 HSORは、生徒と教師の隠れ状態を調整し、エンコーダ全体の特徴冗長性を減少させる。
  論文  参考訳（メタデータ） (2026-07-28T19:00:17Z)
• Learning-based Hierarchical Tracheal Anatomy Understanding from Sparse Surgical Demonstration Annotations for Ultrasound Robots [7.8427579396077896]
  気管切開部位の正確な部位は気管切開術が必要である。 従来の手指の触診は主観的であり、しばしば信頼できない。 本研究は階層的気管解剖学的理解のための学習に基づく枠組みを提案する。
  論文  参考訳（メタデータ） (2026-07-24T13:04:39Z)
• Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
  マーカーは下流の自動分析にショートカットバイアスを導入することができる。 条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。 大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
  論文  参考訳（メタデータ） (2026-06-08T11:56:33Z)
• Beyond Binary Success: A Diagnostic Meta-Evaluation Framework for Fine-Grained Manipulation [98.79811866787263]
  診断メタ評価フレームワークであるMetaFineを紹介する。 局所的な空間構造を保存できる視覚エンコーダの能力は,きめ細かな精度の鍵となるボトルネックである。 評価をランキングから診断にシフトすることで、MetaFineは、ベンチマークを実際の物理デキスタリティに基づく階層化された能力の修復のための実行可能なコンパスに変換する。
  論文  参考訳（メタデータ） (2026-05-19T15:25:13Z)
• Quantifying Explanation Consistency: The C-Score Metric for CAM-Based Explainability in Medical Image Classification [5.127836966483091]
  CAM(Class Activation Mapping)法は、医用画像における深層学習分類器の視覚的説明を生成するために広く用いられている。 既存の評価フレームワークは、ラジオロジストアノテーションに対する局所化忠実度を用いて、説明が正しいかどうかを評価する。 Cスコア(Consistency Score, Consistency Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score)を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:47:31Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Escaping the BLEU Trap: A Signal-Grounded Framework with Decoupled Semantic Guidance for EEG-to-Text Decoding [41.209385903282374]
  SemKeyは4つのセマンティックな目的を通じて信号基底生成を強制する新しいフレームワークである。 N-way Retrieval Accuracy と Fréchet Distance を採用することで,標準的な翻訳指標を越えることができる。
  論文  参考訳（メタデータ） (2026-02-09T02:47:07Z)
• BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
  BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。 局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。 例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
  論文  参考訳（メタデータ） (2026-01-12T08:37:47Z)
• LapFM: A Laparoscopic Segmentation Foundation Model via Hierarchical Concept Evolving Pre-training [39.51756689308245]
  ラプFM(LapFM)は、大規模な未ラベルの手術画像から、堅牢なセグメンテーション能力を進化させるために設計された基礎モデルである。 本稿では,階層的一貫性に基づいて疑似ラベルを反復的に生成・フィルタリングする信頼駆動進化ラベルを提案する。 このプロセスは114Kのイメージマスク対からなる大規模ベンチマークであるLapBench-114Kを生成する。
  論文  参考訳（メタデータ） (2025-12-09T10:09:31Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• DEFN: Dual-Encoder Fourier Group Harmonics Network for Three-Dimensional Indistinct-Boundary Object Segmentation [6.0920148653974255]
  本稿では,学習コーパス内の不明瞭な境界オブジェクトの表現多様性を高めるために,欠陥注入(SDi)を導入する。 そこで我々はDEFN(Dual-Encoder Fourier Group Harmonics Network)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:33:04Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。