論文の概要: A Methodological Framework for Explicit Control of the Speed-Accuracy Trade-off in Brain-Computer Interfaces
- arxiv url: http://arxiv.org/abs/2606.00106v1
- Date: Tue, 26 May 2026 16:13:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:27.958089
- Title: A Methodological Framework for Explicit Control of the Speed-Accuracy Trade-off in Brain-Computer Interfaces
- Title（参考訳）: 脳-コンピュータインタフェースにおける速度精度トレードオフの明示的制御のための方法論的枠組み
- Authors: Javier Jiménez, Francisco B Rodríguez,
- Abstract要約: 脳-コンピュータインターフェース(BCI)は、脳波などの変調における低信号-雑音比によって制限される。
これにより、速度精度のトレードオフが生じ、より高い精度で速度の犠牲になる。
速度と精度を分離する評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.1960178399478718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain-computer interfaces (BCIs) are limited by low signal-to-noise ratio in modalities such as electroencephalography, which requires multiple trials to reliably decode user intentions. This induces a speed-accuracy trade-off, whereby higher accuracy comes at the cost of speed. The speed-accuracy balance is application-dependent, motivating controllable trade-offs. Conventional metrics, such as the Information Transfer Rate, combine speed and accuracy obscuring their dependence and potentially introducing biases. In this study, we propose an evaluation framework independent of classifier, paradigm, and early-stopping strategy that separates speed and accuracy. We employ two measures, Gain (relative speed improvement) and Conservation (relative accuracy preservation), and combine them into a tunable Gain-Cons Balance controlled by α, regulating the speed-accuracy trade-off. The parameter adjusts the operating point without modifying the classifier, facilitating deployment across scenarios. The framework was evaluated on P300 event-related potential paradigms using public recordings from 63 subjects as well as multiple classifiers and early-stopping strategies to achieve distinct operating points in speed-accuracy and bitrate. Results show that tuning α yields fast, accurate, or balanced BCI behaviours, demonstrating explicit control of the speed-accuracy trade-off. The method supports subject-level performance prediction and improves explainability of BCI behaviour. Further analysis of the Information Transfer Rate reveals a systematic bias toward speed, explained by the proposed framework through the Gain and Conservation measurements. Overall, this work establishes the speed-accuracy trade-off as a controllable design variable validated on public P300-based paradigms, enabling transparent evaluation and application-specific optimization of BCIs.
- Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)は、脳波などの変調の低信号対雑音比によって制限されており、ユーザの意図を確実に復号するために複数の試行が必要である。
これにより、速度精度のトレードオフが生じ、より高い精度で速度の犠牲になる。
速度と精度のバランスはアプリケーションに依存しており、制御可能なトレードオフを動機付けている。
情報伝達率(Information Transfer Rate)のような従来のメトリクスは、依存関係を隠蔽するスピードと精度を組み合わせ、バイアスを発生させる可能性がある。
本研究では,速度と精度を分離した分類器,パラダイム,早期学習戦略に依存しない評価フレームワークを提案する。
我々は、ゲイン(相対速度改善)と保存(相対精度保存)の2つの手段を採用し、それらをαで制御された調整可能なゲイン・コンバランスに組み合わせ、速度精度のトレードオフを規制する。
パラメータは、分類器を変更することなく操作ポイントを調整し、シナリオ間のデプロイを容易にする。
このフレームワークは、63人の被験者の公開記録と複数の分類器と早期停止戦略を用いて、P300の事象関連ポテンシャルパラダイムで評価され、速度精度とビットレートの異なる操作ポイントを達成できた。
その結果, チューニングαは高速, 高精度, バランスの取れたBCI挙動を示し, 速度精度トレードオフの明確な制御を実証した。
本手法は、主観レベルの性能予測をサポートし、BCI動作の説明可能性を向上させる。
情報伝達速度のさらなる分析は、利得・保存測定を通じて提案した枠組みによって説明され、速度に対する体系的な偏りを明らかにする。
全体として、この研究は、パブリックなP300ベースのパラダイムに基づいて検証された制御可能な設計変数として、速度精度のトレードオフを確立し、BCIの透過的な評価とアプリケーション固有の最適化を可能にする。
関連論文リスト
- Hierarchically Decoupled Mixture-of-Experts for Robust Traffic Sign Recognition in Complex Driving Scenarios [6.121863091287242]
CBDES MoE TSRは、交通信号認識のための階層的に分離されたヘテロジニアス混合物(MoE)フレームワークである。
ゲーティングモジュールは、入力画像の意味特性に基づいて、エキスパートプールから最も適したエキスパートモデルを選択的に活性化する。
実験結果から,本手法は検出精度と効率の相違が顕著であることがわかった。
論文 参考訳（メタデータ） (2026-06-01T07:39:44Z) - Hierarchical Causal Abduction: A Foundation Framework for Explainable Model Predictive Control [0.0]
非線形力学、ハードセーフティ制約、数値最適化は、個々の制御を人間の操作者に不透明にさせることが多い。
本稿では,(i)領域知識グラフによる物理インフォームド推論,(ii)Karush--Kuhn-Tucker(KKT)乗算器による最適化証拠,(iii)PCMCIアルゴリズムによる時間的因果発見と,非線形MPCによって計算される制御行動に関する忠実で人間解釈可能な説明を生成する階層因果推論(HCA)について述べる。
論文 参考訳（メタデータ） (2026-05-11T14:16:39Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。
我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。
VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
論文 参考訳（メタデータ） (2026-04-03T15:19:46Z) - Curvature-Guided LoRA: Steering in the pretrained NTK subspace [60.35296431630704]
本稿では,PEFTを用いて得られた予測器と,出力レベルにおける完全微調整の予測器との整合性を考慮した予測アライメント問題を提案する。
我々は、この目的が自然に、ニュートンのような、曲率ホワイトの勾配に対応する最適な低ランク更新を行う、曲率対応の2階定式化につながることを示した。
この知見に基づいて、局所曲率情報を用いて適応方向を選択し、スケールする曲率誘導LoRA(CG-LoRA)を提案する。
論文 参考訳（メタデータ） (2026-03-31T14:46:39Z) - Sensitivity-Guided Framework for Pruned and Quantized Reservoir Computing Accelerators [2.8194988957235547]
本稿では,貯留層計算のための圧縮フレームワークを提案する。
量子化レベル、プルーニングレート、モデルの精度、ハードウェア効率のトレードオフを体系的に設計・空間で探索することができる。
提案手法の有効性を検証するため,大規模なトレードオフ分析を行う。
論文 参考訳（メタデータ） (2026-02-24T17:13:53Z) - Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。
本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-04T03:16:02Z) - Efficient Qubit Calibration by Binary-Search Hamiltonian Tracking [18.54622697112264]
我々は、共振駆動キュービットの周波数を調整するためのリアルタイムプロトコルを提案、実験的に実装する。
フラックス可変トランスモン量子ビットを安定化することにより,コヒーレンスとゲートの忠実度を向上させるアルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2025-01-09T17:18:38Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - A Framework for Improving the Reliability of Black-box Variational Inference [9.621959865172549]
Black-box Variational Inference (BBVI)は、機械学習と統計学で広く使われている。
本稿では,BBVI最適化の信頼性向上のためのフレームワークであるRobust and Automated Black-box VI (RABVI)を提案する。
RABVIは、厳格に正当化された自動化技術に基づいており、少数の直感的なチューニングパラメータを含み、最適な変分近似の不正確な推定を検出する。
論文 参考訳（メタデータ） (2022-03-29T23:05:40Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z)
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。