論文の概要: ERP-XTTN: Interpretable Prototype-Guided Cross-Attention for Cross-Subject ERP Classification

• arxiv url: http://arxiv.org/abs/2606.02939v1
• Date: Mon, 01 Jun 2026 22:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.629462
• Title: ERP-XTTN: Interpretable Prototype-Guided Cross-Attention for Cross-Subject ERP Classification
• Title（参考訳）: ERP-XTTN:クロスオブジェクトERP分類のための解釈可能なプロトタイプガイド型クロスアテンション
• Authors: Charlotte Genevier Wyman, Leanne Hirshfield,
• Abstract要約: プロトタイプベースのクロスアテンションは、デプロイ互換条件下での競合的、解釈可能なイベント関連電位(ERP)分類を提供する。 ERP-XTTNは入力EEGパッチを固定差分波プロトタイプにルーティングするクロスアテンションアーキテクチャである。 我々は,3つの公開情報源を対象に,LOSO (Left-one-subject-out) 評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpretable brain-computer interface classifiers that generalize across subjects without calibration remain an open challenge. We test whether prototype-based cross-attention can provide competitive, interpretable event-related potential (ERP) classification under deployment-compatible conditions. We propose ERP-XTTN, a cross-attention architecture that routes input EEG patches to fixed difference-wave prototypes via query-key-only cross-attention with no value projection, so classification depends entirely on attention routing and attention faithfulness is structural rather than post-hoc. Prototypes are derived automatically from extrema in the training-fold difference wave. We evaluate across three public sources (BNCI Horizon 2020, HRI Cursor, and ERP CORE) spanning eight ERP components (ERN, LRP, ErrP, N170, P300, N2pc, MMN, N400), using leave-one-subject-out (LOSO) evaluation with causal filtering at two channel counts (3-channel and full montage), against EEGNet and xDAWN with Riemannian geometry (xDAWN+RG). The mean gap between the best baseline and ERP-XTTN was .018 AUROC at 3 channels and .034 at full montage, arising from two largely distinct sources: a temporal-flexibility cost relative to EEGNet and a spatial-exploitation cost relative to xDAWN+RG, the latter driven by signal-to-noise ratio at full montage. Beyond accuracy, the transparent routing reveals cross-subject signal structure that black-box models cannot: false positives resembled true positives more than true negatives did, indicating that classification errors are neurophysiologically explicable. ERP-XTTN generalizes across diverse ERPs under causal, calibration-free conditions with a small interpretability cost at minimal montages. To our knowledge, this is the first epoch-level LOSO benchmark on ERP CORE.
• Abstract（参考訳）: 校正なしで対象を一般化する解釈可能な脳コンピュータインタフェース分類器は、依然としてオープンな課題である。 我々は、プロトタイプベースのクロスアテンションが、デプロイ互換条件下での競合的、解釈可能なイベント関連電位(ERP)分類を提供するかどうかを検証する。 ERP-XTTNは、入力されたEEGパッチを、値投影のないクエリキーのみのクロスアテンションを介して、固定された差分波プロトタイプにルーティングするクロスアテンションアーキテクチャである。 プロトタイプは、トレーニング・フォールド差分波におけるエクストリームから自動的に導出される。 我々は,ERN, LRP, ERP, ERRP, N170, P300, N2pc, MMN, N400の8つのERP成分にまたがる3つの公開情報源(BNCI Horizon 2020, HRI Cursor, ERP CORE)において,EEGNetとxDAWNのリーマン幾何学(xDAWN+RG)に対する2つのチャネル数での因果フィルタリング(LOSO)の評価を行った。 最良ベースラインとERP-XTTNの間の平均的なギャップは3チャンネルで.018 AUROC、フルモンタージュで.034であり、EEGNetに対する時間的フレキシビリティコストとxDAWN+RGに対する空間的露光コストと、フルモンタージュにおける信号-雑音比によって引き起こされた。 正確性を超えて、透明なルーティングはブラックボックスモデルでは不可能なクロスオブジェクト信号構造を明らかにしている: 偽陽性は真陰性よりも真正に似ており、分類誤差が神経生理学的に説明可能であることを示している。 ERP-XTTNは、最小のモンタージュで小さな解釈性コストで因果的、校正不要な条件下で様々なERPを一般化する。 私たちの知る限り、これはERP CORE上でのエポックレベルのLOSOベンチマークとしては初めてのものです。

関連論文リスト

• Architecture-Aware Explanation Auditing for Industrial Visual Inspection [1.3054033103300278]
  本稿では,自然読出仮説に基づくアーキテクチャを考慮した説明監査プロトコルを運用する。 WM-811Kウェハマップ(9クラス、172k画像)の3列のゼロフィル摂動プロトコルの下では、ViT-Tiny + Attention RolloutはDeletion AUC 0.211をSwin-Tinyの0.432-0.525に対して取得する。
  論文  参考訳（メタデータ） (2026-05-14T01:48:00Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• PIIBench: A Unified Multi-Source Benchmark Corpus for Personally Identifiable Information Detection [0.0]
  PIIBenchは、自然言語テキストにおけるPII(Personally Identible Information)検出のための統一されたベンチマークコーパスである。 我々は、合成PIIコーパス、多言語名前付きエンティティ認識(NER)ベンチマーク、ファイナンシャルドメイン注釈テキストにまたがる10の公開データセットを統合する。 アノテーション付き配列2,369,883のコーパスと,48種類の標準PIIエンティティタイプに335万のエンティティが記述されている。
  論文  参考訳（メタデータ） (2026-04-17T07:32:46Z)
• R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII [14.790942679912595]
  R2Gは5つのステージ認識ビューを情報同値で標準化するマルチビューサーキットグラフベンチマークスイートである。 R2Gは、合成、配置、ルーティングステージにまたがるエンドツーエンドのDEF-to-graphパイプラインを提供する。
  論文  参考訳（メタデータ） (2026-04-09T22:59:27Z)
• The Deep-Match Framework for Event-Related Potential Detection in EEG [0.0]
  単検体レベルでの事象関連電位(ERP)は、信号-雑音比の低い脳波記録のため、依然として大きな課題である。 マルチチャネル脳波信号を用いたERP検出にDeep-Matchフレームワークを用いる。
  論文  参考訳（メタデータ） (2026-03-11T18:21:20Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Datarus-R1: An Adaptive Multi-Step Reasoning LLM for Automated Data Analysis [0.0]
  本稿では,Qwen 2.5-14B-Instructの言語モデルであるDatarus-R1-14Bを提案する。 Datarusは、独立した問合せペアではなく、推論ステップ、コード実行、エラートレース、自己補正、最終的な結論を含む完全な分析トラジェクトリに基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-08-18T21:58:18Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。