論文の概要: EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks

• arxiv url: http://arxiv.org/abs/2606.01767v2
• Date: Tue, 02 Jun 2026 02:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 18:57:50.468172
• Title: EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks
• Title（参考訳）: EvoBrain: 異種BCIタスク間のEEG基盤モデルの継続的な学習
• Authors: Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan,
• Abstract要約: EvoBrainは、統合されたEEGデコーディングのためのタスク対応連続学習フレームワークである。 これは2つの相補的なコンポーネントによる可塑性-安定性のトレードオフに対処する。 様々な基礎のバックボーンにまたがる最先端の手法を一貫して超越している。
• 参考スコア（独自算出の注目度）: 24.82763389561231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is the cornerstone of non-invasive brain-computer interfaces (BCIs), yet conventional decoding relies on fragmented, task-specific architectures that severely limit cross-task scalability. While EEG foundation models pre-trained on massive corpora promise universal brain decoding, current post-training depends on task-isolated fine-tuning. This static paradigm restricts knowledge transfer across heterogeneous tasks, hinders model scalability, and incurs computational and storage overheads that scale linearly with task count. To overcome these bottlenecks, we formulate downstream adaptation as a cross-task continual learning problem and propose EvoBrain, a dynamic, task-aware continual learning framework for unified EEG decoding. EvoBrain addresses the plasticity-stability trade-off via two complementary components: (1) Neuro-Spectral Task Normalization (NSN) aligns incoming tasks with historical statistics while recalibrating spectral responses to handle distributional and neuro-spectral shifts; and (2) Response-Affinity Distillation (RAD), combined with time-dependent replay, preserves old-task response geometry and promotes selective knowledge transfer between spectrally compatible tasks, effectively mitigating forgetting. Extensive evaluations across six distinct BCI tasks demonstrate that EvoBrain consistently surpasses state-of-the-art methods across diverse foundation backbones, optimally balancing plasticity and stability. To our knowledge, this work pioneers cross-task continual learning in the EEG domain, advancing the realization of a unified, one-for-all brain decoding system.
• Abstract（参考訳）: 脳波(EEG)は、非侵襲的脳-コンピュータインタフェース(BCI)の基盤であるが、従来のデコーディングは、タスク固有の断片化されたアーキテクチャに依存しており、クロスタスクのスケーラビリティを著しく制限している。 大規模なコーパスで事前トレーニングされた脳波基礎モデルは、普遍的な脳波復号を約束するが、現在のポストトレーニングはタスクを分離した微調整に依存する。 この静的パラダイムは、異種タスク間の知識伝達を制限し、モデルのスケーラビリティを阻害し、タスク数と線形にスケールする計算とストレージのオーバーヘッドを発生させる。 これらのボトルネックを克服するため、我々は、マルチタスク連続学習問題として下流適応を定式化し、脳波復号化のための動的タスク対応連続学習フレームワークであるEvoBrainを提案する。 EvoBrainは,(1)ニューロスペクトルタスク正規化(NSN)は,分布およびニューロスペクトルシフトに対処するスペクトル応答を再検討しながら,受信したタスクを歴史的統計と整合させ,(2)応答親和性蒸留(RAD)と時間依存リプレイを併用して,旧タスク応答の幾何を保存し,スペクトル互換タスク間の選択的知識伝達を促進することで,忘れを効果的に緩和する。 6つの異なるBCIタスクにわたる広範囲な評価は、EvoBrainが様々な基礎のバックボーンにまたがる最先端の手法を一貫して超越し、可塑性と安定性を最適にバランスしていることを示している。 我々の知る限りでは、この研究は脳波領域におけるクロスタスク連続学習の先駆者であり、統合された1対1の脳復号システムの実現を推進している。

関連論文リスト

• BrainMem: Brain-Inspired Evolving Memory for Embodied Agent Task Planning [17.072340201392723]
  エージェントは複雑な3D環境で長期的、ゴール指向のアクションを実行する必要がある。 本稿では,人間の認知に触発された動作,エピソード,セマンティックメモリを具備した,非トレーニング型階層型メモリシステムBrainMemを提案する。
  論文  参考訳（メタデータ） (2026-03-12T17:54:42Z)
• PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
  既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。 PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。 既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
  論文  参考訳（メタデータ） (2025-10-12T10:34:35Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
  脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。 これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
  論文  参考訳（メタデータ） (2025-06-29T03:29:34Z)
• 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)
• When Does Neuroevolution Outcompete Reinforcement Learning in Transfer Learning Tasks? [7.479827648985631]
  ニューロエボリューション(NE)は、局所最適化から逃れるための堅牢性、スケーラビリティ、能力について最近注目を集めている。 ステップゲートでは、ニューラルネットワークが論理回路をエミュレートし、モジュラー繰り返しと変分bを強調する設計で、エコロボットはブラックス物理エンジンを壁や障害物などの物体で拡張する。 実験により, NE法は伝達能力に違いがあり, RL法よりも高い結果が得られた。
  論文  参考訳（メタデータ） (2025-05-28T13:15:18Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)

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。