論文の概要: DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG

• arxiv url: http://arxiv.org/abs/2605.18298v1
• Date: Mon, 18 May 2026 12:18:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.601175
• Title: DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG
• Title（参考訳）: DARE-EEG:脳波の双対表現をマイニングするための基礎モデル
• Authors: Yang Shao, Peiliang Gong, Qun Dai, Daoqiang Zhang,
• Abstract要約: 両面共役表現学習によりマスク不変性を強制する自己教師型基礎モデルであるDARE-EEGを提案する。 具体的には、同一の脳波サンプルの複数のマスキングビューからの表現を制約するマスクアライメントを導入する。 また,不均一電極構成に事前学習した表現を適応させるパラメータ効率の手法であるconv-linear-probingを提案する。
• 参考スコア（独自算出の注目度）: 25.4837936625773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models pre-trained through masked reconstruction on large-scale EEG data have emerged as a promising paradigm for learning generalizable neural representations across diverse brain-computer interface applications. However, a critical yet overlooked challenge is that EEG encoders must learn representations invariant to incomplete observations-when different masked views of the same signal have minimal overlap, existing methods fail to constrain them to a consistent latent subspace, leading to degraded transferability. To address this, we propose DARE-EEG, a self-supervised foundation model that explicitly enforces the mask-invariance property through dual-aligned representation learning during pre-training. Specifically, we introduce mask alignment that constrains representations from multiple masked views of the same EEG sample via contrastive learning, complementing anchor alignment that aligns masked representations to momentum-updated complete features for semantic stability. Additionally, we propose conv-linear-probing, a parameter-efficient strategy that adapts pre-trained representations to heterogeneous electrode configurations and sampling rates through decoupled spectro-spatial projections. Extensive experiments across diverse EEG benchmarks demonstrate that DARE-EEG consistently achieves state-of-the-art in accuracy performance while maintaining relatively low parameter complexity and superior cross-dataset portability compared to existing methods. Furthermore, DARE-EEG contributes to effectively discovering and utilizing the rich potential representations in EEG.
• Abstract（参考訳）: 大規模な脳波データに対するマスク付き再構成によって事前訓練された基礎モデルは、多様な脳-コンピュータインターフェースアプリケーション間で一般化可能な神経表現を学習するための有望なパラダイムとして出現している。 しかし、重要な見過ごされがちな課題は、EEGエンコーダが不完全な観測に不変な表現を学習しなければならないことである。 そこで本稿では, DARE-EEGを提案する。DARE-EEGは, 事前学習中の2列表現学習により, マスク不変性を明確に強制する自己教師型基礎モデルである。 具体的には、コントラスト学習により、同じ脳波サンプルの複数のマスキングビューからの表現を制約するマスクアライメントを導入し、マスキングされた表現と、セマンティック安定性のためのモーメント更新された完全な特徴を補完するアンカーアライメントを補完する。 さらに,不均一な電極構成に事前学習した表現を適応させ,分離した分光空間射影によるサンプリング率を推定するパラメータ効率の手法であるconv-linear-probingを提案する。 多様なEEGベンチマークによる広範囲な実験により、DARE-EEGはパラメータの複雑さが比較的低く、既存の手法よりも優れたクロスデータセットポータビリティを維持しながら、精度性能の最先端性を一貫して達成していることが示された。 さらに、DARE-EEGは、脳波の豊かなポテンシャル表現を効果的に発見し、活用することに寄与する。

関連論文リスト

• Subject-Aware Multi-Granularity Alignment for Zero-Shot EEG-to-Image Retrieval [6.9700202682590024]
  ゼロショット脳波画像検索のための主観的マルチグラニュラリティアライメント(SAMGA)フレームワークを提案する。 SAMGAは、まず、事前学習された視覚エンコーダから複数の中間表現を適応的に集約することにより、対象を意識した視覚監視ターゲットを構築する。 THINGS-EEGベンチマークの実験では、提案手法はオブジェクト内設定で91.3%のTop-1と98.8%のTop-5の精度、オブジェクト間設定で34.4%のTop-1と64.8%のTop-5の精度を達成した。
  論文  参考訳（メタデータ） (2026-04-20T04:10:30Z)
• SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
  本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。 SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
  論文  参考訳（メタデータ） (2026-04-11T13:56:41Z)
• MENDR: Manifold Explainable Neural Data Representations [2.8415554351536607]
  本稿では,MENDR(Manifold Explainable Neural Data Representations)を提案する。 EEGファウンデーションモデルは、事前学習、下流の微調整、学習された表現の解釈可能性における透明性を保証する必要がある。 MENDRは極めて少ないパラメータでほぼ最先端の性能を達成し, 効率的, 解釈可能, 臨床応用可能な脳波解析の可能性を明らかにする。
  論文  参考訳（メタデータ） (2025-08-07T00:55:05Z)
• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• ESTformer: Transformer utilising spatiotemporal dependencies for electroencephalogram super-resolution [17.375026288273794]
  変換器をベースとした買収依存を利用したEEGフレームワークを開発した。 EEG SRタスクのためのTransformerは、EEG SRタスクのためのTransformerの汎用性を示す。 脳波に基づく人物識別と感情認識タスクにおいて,SRデータの優位性を検証した。
  論文  参考訳（メタデータ） (2023-12-03T12:26:32Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)

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。