論文の概要: Learning aligned EEG representations with subject-specific encoders

• arxiv url: http://arxiv.org/abs/2606.16462v1
• Date: Mon, 15 Jun 2026 09:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.27632
• Title: Learning aligned EEG representations with subject-specific encoders
• Title（参考訳）: 主観的エンコーダを用いた脳波表現の学習
• Authors: Bruna J. Lopes, Gabriel Schwartz, Sylvain Chevallier, Raphael Y. de Camargo, Bruno Aristimunha,
• Abstract要約: クロスオブジェクトのEEGデコーディングは、より多くのトレーニングデータを約束するが、ニューラルネットワークを強力なオブジェクト間分散シフトに公開する。 課題管理とアーキテクチャだけで主観的な表現を学べるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 4.999226746334972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-subject EEG decoding promises more training data, but it also exposes neural networks to strong inter-subject distribution shifts. We study whether task supervision and architecture alone can learn subject-aligned representations. We replace a shared EEG encoder with subject-specific encoders followed by a common classifier, and compare this hybrid model with standard EEGNet, AttentionBaseNet, and CTNet baselines with Euclidean Alignment (EA) on four motor-imagery datasets. EA improves shared encoders by recentering subject covariances, but the hybrid encoder largely internalises this role: validation-loss curves and latent-distance analyses change little when EA is removed. Subject-specific heads increase class distinctiveness and place each subject close to its own latent manifold, improving most subjects while leaving a method-sensitive subset. These results support subject-specific encoders as a learned alignment mechanism for EEG decoding and identify head selection for unseen subjects as the remaining bottleneck.
• Abstract（参考訳）: クロスオブジェクトのEEGデコーディングは、より多くのトレーニングデータを約束するが、ニューラルネットワークを強力なオブジェクト間分散シフトに公開する。 課題管理とアーキテクチャだけで主観的な表現を学べるかどうかを考察する。 我々は、共有EEGエンコーダを主題固有のエンコーダに置き換え、次に共通の分類器で置き換え、このハイブリッドモデルを標準的なEEGNet、AttentionBaseNet、CTNetベースラインと比較し、4つのモーター画像データセット上のユークリッドアライメント(EA)と比較する。 しかし、ハイブリッドエンコーダは、EAが除去された場合、検証損失曲線と潜伏距離解析がほとんど変化しないという、この役割を大半を包含している。 被写体固有の頭部は、クラス特異性を高め、各被写体を自身の潜在多様体に近接させ、メソッド依存サブセットを残しながら、ほとんどの被写体を改善する。 これらの結果は、脳波復号のための学習的なアライメント機構として、被験者固有のエンコーダをサポートし、未知の被験者の頭部選択を残りのボトルネックとして同定する。

関連論文リスト

• Towards Robust Pseudo-Label Learning in Semantic Segmentation: An Encoding Perspective [39.71485484981733]
  ECOCSegは、誤り訂正出力符号(ECOC)を利用して各クラスに対してきめ細かいエンコーディングを作成するセグメンテーションモデルのための新しい視点である。 まず、ECOCベースの分類器を導入し、モデルがクラスを属性に切り離し、部分的不正確なビットを処理できるようにする。 第2に、高品質な擬似ラベルを生成するためにビットレベルのラベル記述機構を開発し、未ラベル画像に対する適切な、堅牢な監視を提供する。
  論文  参考訳（メタデータ） (2025-12-07T14:56:29Z)
• Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery [0.0]
  脳波ベースの脳-コンピュータインタフェースでは、クロスオブジェクト・モーター・イメージ・デコーディングが依然として大きな課題である。 本稿では,新しいジオメトリ対応プリプロセッシングモジュールとディープコングルーエンスネットワークを紹介する。 我々のフレームワークは、最強の古典的ベースラインに対して、クロスオブジェクトの精度を3～4%向上させる。
  論文  参考訳（メタデータ） (2025-11-24T09:46:55Z)
• MultiDiffNet: A Multi-Objective Diffusion Framework for Generalizable Brain Decoding [1.6528632644902828]
  textitMultiDiffNetは、複数の目的に最適化されたコンパクトな潜在空間を学習することで、生成的拡張を完全に回避する拡散ベースのフレームワークである。 我々は、この空間から直接デコードし、主観的およびセッション不整合性評価を用いて、様々なニューラルデコードタスクにまたがる最先端の一般化を実現する。
  論文  参考訳（メタデータ） (2025-11-23T05:22:27Z)
• BRIEDGE: EEG-Adaptive Edge AI for Multi-Brain to Multi-Robot Interaction [4.815698105652729]
  BRIEDGEは、EEG適応型ニューラルネットワークと符号化復号通信フレームワークを通じて、マルチ脳からマルチロボットインタラクションのためのエンドツーエンドシステムである。 符号化復号通信フレームワークは、EEGベースのセマンティック情報をエンコードし、データ転送の過程でコマンドに復号する。 実験の結果,BRIEDGEは異種脳波データの最適分類精度と,雑音環境下でのより安定した性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-03-14T15:43:48Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Vector Quantized Wasserstein Auto-Encoder [57.29764749855623]
  生成的視点から深層離散表現を学習する。 我々は,コードワード列上の離散分布を付与し,コードワード列上の分布をデータ分布に伝達する決定論的デコーダを学習する。 WS 距離のクラスタリングの観点と結びつけて,より優れた,より制御可能なクラスタリングソリューションを実現するための,さらなる理論を開発しています。
  論文  参考訳（メタデータ） (2023-02-12T13:51:36Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)

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。