Fugu-MT 論文翻訳(概要): EEG-FM-Audit: A Systematic Evaluation and Analysis Pipeline for EEG Foundation Models

論文の概要: EEG-FM-Audit: A Systematic Evaluation and Analysis Pipeline for EEG Foundation Models

arxiv url: http://arxiv.org/abs/2605.26910v1
Date: Tue, 26 May 2026 12:06:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-27 17:51:41.994626
Title: EEG-FM-Audit: A Systematic Evaluation and Analysis Pipeline for EEG Foundation Models
Title（参考訳）: EEG-FM-Audit:脳波基礎モデルのためのシステム評価と分析パイプライン
Authors: Xianheng Wang, Yige Yang, Damien Coyle,
Abstract要約: EEG-FM-Auditは、EEG-FMの評価を体系化するために設計された総合的な評価と分析パイプラインである。脳波-FM-Auditを、最先端の4つの脳波-FMと、3つの公開データセットにまたがる5つの代表的な教師付きモデルに適用する。
参考スコア（独自算出の注目度）: 4.121032626125547
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large EEG Foundation Models (FMs) have shown great potential for decoding EEG signals across diverse cognitive tasks. However, existing EEG-FM studies exhibit three critical limitations: opaque supervised baseline tuning, unverified contributions of complex learning paradigms, and a lack of transparency in model decision-making. To address these, we propose EEG-FM-Audit, a comprehensive evaluation and analysis pipeline designed to systematize the assessment of EEG-FMs. EEG-FM-Audit consists of three primary components: (1) an ASHA-driven benchmarking protocol that ensures fair comparisons by transparently optimizing supervised baselines; (2) paradigm-level ablation studies to evaluate the effectiveness of learning paradigms in FMs; and (3) a neurophysiological probing (NPP) framework, which explores whether FMs leverage valid temporal, spatial, and spectral EEG properties. We apply EEG-FM-Audit to four state-of-the-art EEG-FMs and five representative supervised models across three public datasets. Our results reveal that properly tuned supervised baselines can match or outperform advanced FMs, despite requiring significantly fewer parameters. Furthermore, we find that the effectiveness of learning paradigms of FMs is highly dependent on dataset scale and architecture. Finally, NPP analysis demonstrates how FMs rely on specific physiological features, establishing a framework for more interpretable neural decoding.
Abstract（参考訳）: 大型脳波基礎モデル(FM)は、多様な認知タスク間で脳波信号を復号する大きな可能性を示している。しかし、既存のEEG-FM研究は、不透明な教師付きベースラインチューニング、複雑な学習パラダイムの実証されていない貢献、モデルの意思決定における透明性の欠如の3つの重要な限界を示す。そこで我々はEEG-FMの評価を体系化するための総合的な評価・分析パイプラインであるEEG-FM-Auditを提案する。 EEG-FM-Auditは,(1)教師付きベースラインの透過的最適化による公正な比較を保証するASHA型ベンチマークプロトコル,(2)FMにおける学習パラダイムの有効性を評価するためのパラダイムレベルのアブレーション研究,(3)FMが有効な時間的・空間的・スペクトルEEG特性を利用するかどうかを探索する神経生理学的プローブ(NPP)フレームワークの3つの主要コンポーネントから構成される。脳波-FM-Auditを、最先端の4つの脳波-FMと、3つの公開データセットにまたがる5つの代表的な教師付きモデルに適用する。本結果より, 制御基準線を適切に調整することで, パラメータが大幅に少ないにもかかわらず, 高度なFMの整合性や性能が向上することが明らかとなった。さらに,FMの学習パラダイムの有効性は,データセットのスケールやアーキテクチャに大きく依存していることが判明した。最後に、NPP分析はFMが特定の生理的特徴にどのように依存しているかを示し、より解釈可能な神経デコードのための枠組みを確立する。

関連論文リスト

Structured Prototype-Guided Adaptation for EEG Foundation Models [56.35233377493694]
脳波基礎モデルでは、主観レベルの監督が限定されている場合、一般化が不十分であることが示されている。この失敗は、ノイズ、限られた監督とEMFの高可塑性パラメータ空間の間の構造的ミスマッチに起因する。 EFMファインチューニングのための構造化COnfidence対応プロトタイプ誘導適応フレームワークSCOPEを提案する。
論文参考訳（メタデータ） (2026-02-19T10:54:29Z)
Hierarchical Federated Foundation Models over Wireless Networks for Multi-Modal Multi-Task Intelligence: Integration of Edge Learning with D2D/P2P-Enabled Fog Learning Architectures [58.72593025539547]
本稿では,階層型フェデレーション基礎モデル(HF-FM)を提案することで,M3T FFMの探索されていないバリエーションを明らかにする。 HF-FMはM3T FMのモジュール構造を戦略的に整列させ、モダリティエンコーダ、プロンプト、ME(Mixy-of-Experts)、アダプタ、タスクヘッドから構成される。その可能性を実証するため,無線ネットワーク環境におけるHF-FMの試作と,HF-FMの開発のためのオープンソースコードのリリースを行った。
論文参考訳（メタデータ） (2025-09-03T20:23:19Z)
Federated Fine-tuning of SAM-Med3D for MRI-based Dementia Classification [0.8825314772327646]
脳MRIデータを用いた基礎モデル(FM)チューニングにおける鍵設計選択の影響を評価する。分類ヘッドのアーキテクチャが性能に大きく影響していることが判明した。今後のメソッド開発を導くためのトレードオフを強調します。
論文参考訳（メタデータ） (2025-08-29T09:43:02Z)
EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation of EEG Foundation Models [16.433809341013113]
EEG-FM-BenchはEEG基盤モデル(EEG-FMs)の体系的および標準化された評価のための最初の総合的なベンチマークであるコントリビューションは,(1)標準のEEGパラダイムからさまざまなダウンストリームタスクとデータセットをキュレートし,統一されたオープンソースフレームワーク内で標準化された処理と評価プロトコルを実装し,(2)最先端の基盤モデルをベンチマークして,現在の展望を明確化するために総合的なベースライン結果を確立すること,(3)モデル行動の洞察を提供するための質的分析を行い,将来のアーキテクチャ設計を通知すること,の3つです。
論文参考訳（メタデータ） (2025-08-25T07:34:33Z)
EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
論文参考訳（メタデータ） (2025-08-13T14:40:52Z)
AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
論文参考訳（メタデータ） (2025-08-07T07:09:31Z)
EEG Foundation Models: A Critical Review of Current Progress and Future Directions [4.096453902709292]
自己監督型脳波エンコーダは汎用脳波基盤モデル(EEG-FM)への移行を引き起こしている本研究は10個の脳波-FMを概説し,その方法論,経験的発見,および卓越した研究ギャップの批判的な合成について述べる。
論文参考訳（メタデータ） (2025-07-15T22:52:44Z)
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)
FedPFT: Federated Proxy Fine-Tuning of Foundation Models [55.58899993272904]
フェデレートラーニング(FL)を通じて下流タスクにファンデーションモデル(FM)を適用することは、データプライバシと価値のあるFMを保護するための有望な戦略として現れます。 FLのクライアントにサブFMを割り当てることによる既存のFMの微調整手法は、チューニングが不十分で勾配の必然的エラー蓄積が避けられないため、最適以下の性能をもたらす。本稿では,FedPFT(Federated Proxy Fine-Tuning)を提案する。
論文参考訳（メタデータ） (2024-04-17T16:30:06Z)

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。