論文の概要: The Identity Trap in EEG Foundation Models: A Diagnostic Audit

• arxiv url: http://arxiv.org/abs/2606.06647v1
• Date: Thu, 04 Jun 2026 18:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.409208
• Title: The Identity Trap in EEG Foundation Models: A Diagnostic Audit
• Title（参考訳）: EEGファンデーションモデルにおけるアイデンティティのトラップ:診断監査
• Authors: Jun-You Lin, Ying Choon Wu, Tzyy-Ping Jung,
• Abstract要約: 主観的非結合性クロスバリデーションの高精度化はいまだに曖昧である。 私たちはこれをIdentity Trapと名付け、微調整の前に表現レベルで診断できるかどうかを尋ねます。
• 参考スコア（独自算出の注目度）: 2.7612250977017605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective. EEG foundation models (FMs) report strong accuracy on clinical resting-state EEG. However, high accuracy under subject-disjoint cross-validation remains ambiguous: it can reflect a genuine clinical biomarker, or subject-identity features that correlate with the label. We name this the Identity Trap and ask whether it can be diagnosed at the representation level before fine-tuning. Approach. We propose FMScope, a frozen-representation protocol packaging five diagnostics: variance decomposition, subject-axis erasure, aperiodic 1/f ablation, layer-wise label probing, and within-subject direction consistency. We apply it to three pretrained FMs (LaBraM, CBraMod, REVE) across four datasets in a 2x2 layout: subject relation of label x presence of a consensus cross-subject EEG marker. Main results. (i) The Identity Trap is universal: frozen subject-variance is 13-89x a random null in 12/12 pairs, rising in all 12 under fine-tuning (+10 to +63 pp). This dominance is a removable linear axis: erasing it improves label decoding where the label varies within subject (+6 to +12 pp in primary cells; +4 to +27 pp across external cohorts). (ii) Aperiodic 1/f is one subject carrier: removing it drops the subject probe by 9-19 pp on LaBraM and CBraMod. REVE saturates subject identity without measurable aperiodic dependence. (iii) Fine-tuning amplifies label-variance only in cells with a literature-established cross-subject marker. Significance. The Identity Trap is a physically-grounded instance of shortcut learning: the preferred cue has a measurable physiological component, and subject-disjoint splitting alone cannot rule it out. FMScope separates gains reflecting a biological marker from those reflecting subject identity.
• Abstract（参考訳）: 目的。 脳波基礎モデル(FM)は臨床安静状態脳波に強い精度を報告している。 実際の臨床バイオマーカーや、ラベルと相関する被検体同一性の特徴を反映することができる。 私たちはこれをIdentity Trapと名付け、微調整の前に表現レベルで診断できるかどうかを尋ねます。 アプローチ。 FMScopeは, 分散分解, 主軸消去, 周期的1/fアブレーション, 層状ラベル探索, オブジェクト内方向整合性の5つの診断を包含する凍結表現プロトコルである。 2x2レイアウトで4つのデータセットの3つの事前訓練FM(LaBraM, CBraMod, REVE)に適用する。 主な結果。 (i) 自己同一性トラップは普遍的であり、凍結対象分散は 12/12 対において 13-89x a random null であり、微調整(+10 から +63 pp)の下で全 12 において上昇する。 この支配は除去可能な線形軸であり、被写体内でラベルが変化するラベルのデコードを改善する(一次細胞では+6から+12 pp、外部コホートでは+4から+27 pp)。 (ii)A periodic 1/fは1つの被写体キャリアであり、LaBraMおよびCBraMod上の被写体プローブを9-19 ppで落とす。 REVEは測定可能な周期依存を伴わない主観的アイデンティティを飽和させる。 3)ファインチューニングは、文学的に確立されたクロスオブジェクトマーカーを持つ細胞においてのみラベル分散を増幅する。 重要なこと。 アイデンティティ・トラップ(Identity Trap)は、ショートカット学習の物理的に座屈した例であり、好まれるキューは測定可能な生理的要素を持ち、主観的分離だけではそれを排除できない。 FMScopeは、生物学的マーカーを反映する利得と被写体アイデンティティを反映する利得を分離する。

関連論文リスト

• Bayesian Spectral Emotion Transition Discovery from Multi-Annotator Disagreement [0.0]
  マルチラターソフトラベルから感情伝達構造を発見するための2段階のフレームワークを提案する。 5ソースのクロスコーパス検証では、英語の0.91-0.98、中国語のM3EDに対する0.79-0.85、人間のハードラベルとLLM仮想ソフトラベルの間の0.979のペアワイズピアソン相関が得られる。
  論文  参考訳（メタデータ） (2026-06-01T08:44:08Z)
• EQUITRIAGE: A Fairness Audit of Gender Bias in LLM-Based Emergency Department Triage [0.0]
  本稿では,救急部門における大規模言語モデル(LLM)の公平性監査であるEQUITRIAGEについて紹介する。 5つのモデルは全て、事前登録された5%の閾値を超えるフリップレートを生み出した。 グループパリティ、反事実的不変性、性別のキャリブレーションは、異なる公平性の性質である。
  論文  参考訳（メタデータ） (2026-05-05T17:20:55Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• MEDEQUALQA: Evaluating Biases in LLMs with Counterfactual Reasoning [7.167933033102407]
  重篤な症状と症状を一定に保ちながら,患者代名詞のみを摂動する反ファクト・ベンチマークであるMEDEQUALQAを紹介する。 我々は、GPT-4.1モデルを評価し、代名詞の変種間の安定性を測定するために、推論トレース間のセマンティックテキスト類似性(STS)を計算する。 以上の結果から,総じて高い類似性(平均STS >0.80)を示した。
  論文  参考訳（メタデータ） (2025-10-09T22:12:58Z)
• What Can We Learn from Inter-Annotator Variability in Skin Lesion Segmentation? [17.230335345573486]
  曖昧な境界を持つ病変は相違する傾向があり、しばしば悪性腫瘍と関連している。 診断者間合意(IAA)と悪性度との間には統計的に有意な関連が認められた。 IAAは皮膚画像から直接正確に予測でき、平均絶対誤差は0.108である。
  論文  参考訳（メタデータ） (2025-08-12T22:37:56Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• From Biased Selective Labels to Pseudo-Labels: An Expectation-Maximization Framework for Learning from Biased Decisions [9.440055827786596]
  異種検閲という,臨床に着想を得た選択的ラベル問題について検討した。 Disparate Censorship expectation-Maximization (DCEM)は、このような検閲の存在下で学習するためのアルゴリズムである。
  論文  参考訳（メタデータ） (2024-06-27T03:33:38Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• MURAL: An Unsupervised Random Forest-Based Embedding for Electronic Health Record Data [59.26381272149325]
  異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。 muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。 提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-19T22:02:21Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。