論文の概要: Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models

• arxiv url: http://arxiv.org/abs/2605.17562v1
• Date: Sun, 17 May 2026 17:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.199208
• Title: Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models
• Title（参考訳）: 脳波基礎モデルのロバスト性、解釈可能性、表現性
• Authors: Urban Širca, Maryam Alimardani, Stefanos Zafeiriou, Konstantinos Barmpas,
• Abstract要約: 脳波基礎モデル (EEG-FMs) は, 清潔な分布精度で評価されている。 本研究では、6つのEEG-FMを8つのデータセットにまたがるベースラインディープラーニングモデルに対してベンチマークすることで、これらのギャップに対処する。
• 参考スコア（独自算出の注目度）: 31.542508691296053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG foundation models (EEG-FMs) have been evaluated predominantly on clean, in-distribution accuracy, leaving their robustness, interpretability and representational quality largely unexamined. This study addresses these gaps by benchmarking six EEG-FMs against a baseline deep learning model across eight datasets. Beyond clean accuracy, we conduct three layers of analysis: (i) Robustness: we apply test-time perturbations including additive noise, random and region-based channel dropout and region-specific noise injection. Our analyses show that no single model dominates all failure modes. The most noise-robust model is among the most fragile under channel dropout and much of the dropout fragility disappears when channels are removed rather than zero-padded. (ii) Interpretability: we present the first application of Attention-Aware Layer-Wise Relevance Propagation (AttnLRP) to EEG-FMs and show that models broadly concentrate relevance on task-appropriate brain regions consistent with known neurophysiology. However, attribution maps remain spatially stable under perturbation while predictions degrade, suggesting that the models attend to the correct brain regions but decode corrupted content. (iii) Expressiveness: With block-wise probing we show that late blocks are repurposed during fine-tuning, while early blocks already hold task-related information. Furthermore, we demonstrate that the poor head-only performance previously attributed to low-quality pre-trained representations is largely explained by pooling and that EEG-FMs possess sufficient representational capacity when their token-level embeddings are preserved. Together, these findings provide the first systematic assessment of robustness, interpretability and expressiveness for EEG-FMs and highlight critical considerations for their development.
• Abstract（参考訳）: EEGファンデーションモデル(EEG-FMs)は、その堅牢性、解釈可能性、表現品質をほとんど検査せずに、クリーンで非分配的な精度で評価されてきた。 本研究では、6つのEEG-FMを8つのデータセットにまたがるベースラインディープラーニングモデルに対してベンチマークすることで、これらのギャップに対処する。 クリーンな精度の他に、私たちは3つの分析層を実行します。 (i)ロバスト性: 付加雑音, ランダムチャネルおよび領域チャネルドロップアウト, 領域固有のノイズ注入を含む試験時間摂動を適用した。 分析の結果,単一モデルではすべての障害モードが支配できないことがわかった。 一番のノイズ・ローバーストモデルが最も脆弱なチャンネルドロップアウトモデルであり、チャンネルがゼロパッドではなく取り除かれると、ドロップアウトの脆弱性の多くが消える。 解釈可能性:脳波-FMへの注意型レイヤワイズ関連伝播(AttnLRP)の最初の応用を提示し、モデルが既知の神経生理学と整合したタスク適合脳領域への関係を広範囲に集中していることを示す。 しかし、帰属マップは摂動下で空間的に安定であり、予測は劣化し、モデルが正しい脳の領域に付随するが、劣化した内容はデコードされる。 (iii)表現性: ブロックワイド探索では、遅延ブロックは微調整中に再利用され、初期ブロックはタスク関連情報をすでに保持していることを示す。 さらに,前述した低品質事前学習表現による頭部のみの性能低下は,プール化によって大きく説明され,トークンレベルの埋め込みが保存されている場合,EEG-FMが十分な表現能力を有することが実証された。 これらの知見は,脳波-FMの堅牢性,解釈可能性,表現性を初めて体系的に評価し,その発展に対する批判的考察を浮き彫りにした。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Lost in the Noise: How Reasoning Models Fail with Contextual Distractors [57.31788955167306]
  推論モデルとエージェントAIシステムの最近の進歩は、多様な外部情報への依存度を高めている。 NoisyBenchは、RAGの11のデータセット、推論、アライメント、ツール使用タスクに対して、モデルロバスト性を体系的に評価する包括的なベンチマークである。 評価の結果,文脈的障害に直面した場合,最先端モデルでは最大80%の破滅的な性能低下がみられた。
  論文  参考訳（メタデータ） (2026-01-12T05:43:51Z)
• A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging [0.0]
  本研究は、自動睡眠ステージングのための実用的で広く利用可能な信号である、単一チャネル脳波(EEG)に焦点を当てる。 既存のアプローチでは、クラス不均衡、限定された受容場モデリング、不十分な解釈可能性といった課題に直面している。 本研究は,単一チャネル脳波睡眠ステージングのためのコンテキスト認識・解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-28T15:42:33Z)
• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Deep Feedback Models [0.9310318514564272]
  ディープフィードバックモデル(Deep Feedback Models, DFM)は、ボトムアップ入力と高レベルの表現を時間とともに組み合わせた、ステートフルニューラルネットワークの新たなクラスである。 このフィードバックメカニズムは静的なアーキテクチャにダイナミクスを導入し、DFMが内部状態を反復的に洗練することを可能にする。 ノイズに対するロバスト性と限られたデータによる一般化の2つの主要な条件下でDFMを測定する。
  論文  参考訳（メタデータ） (2025-09-19T12:03:18Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)

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。