論文の概要: Stacked LoRA for Subject-Adaptive EEG Foundation Models in Motor Imagery Decoding

• arxiv url: http://arxiv.org/abs/2607.03094v1
• Date: Fri, 03 Jul 2026 08:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.518755
• Title: Stacked LoRA for Subject-Adaptive EEG Foundation Models in Motor Imagery Decoding
• Title（参考訳）: 運動画像復号における主観適応型脳波基礎モデルのためのスタック型LORA
• Abstract要約: 本稿では,主観的非不変知識と主観的ニューラルシグネチャとを構造的に分離する枠組みを提案する。 BCIコンペティションIV-2a、PhyloNet Motor Imagery、Zuo2025ベンチマークの実験は、Stacked LoRAがオブジェクト間の変動を効果的に軽減していることを示している。
• 参考スコア（独自算出の注目度）: 0.34797121357690153
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electroencephalography (EEG) decoding for brain-computer interfaces (BCIs) faces a major challenge: substantial inter-subject variability limits effective cross-subject generalization. Consequently, practical systems still rely largely on subject-specific models trained from scratch and requiring individual recalibration. EEG foundation models have recently emerged as a promising alternative; however, even large pretrained models cannot simply be used as fixed feature extractors and still require additional adaptation before they can be reliably applied to downstream tasks. In this work, we address this challenge through targeted adaptation strategies. Building on recent EEG foundation models such as REVE, LaBraM, and LUNA, we examine the impact of different low-rank adaptation strategies on motor imagery classification. We propose a framework that structurally decouples subject-invariant knowledge from subject-specific neural signatures: the low-rank update at each adapted layer is split into a Global adapter, trained jointly across all subjects, and Subject-Specific adapters, each absorbing individual variability. To assess the contribution of each path, we compare three adaptation strategies: (i) subject-specific LoRA (ii) global LoRA and (iii) stacked LoRA, combining both Global and Subject Specific adapters. Experiments on BCI Competition IV-2a, PhysioNet Motor Imagery, and the clinical Zuo2025 benchmark show that Stacked LoRA effectively mitigates inter-subject variability, achieving the best accuracy in the large majority of backbone and dataset combinations. Our analysis further reveals that the optimal balance between the global and subject-specific paths depends on the target population: a shared adapter is sufficient for large, diverse cohorts, whereas subject-specific adaptation is decisive under the high inter-session variability of clinical recordings.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)のための脳波デコーディング(EEG)は大きな課題に直面している。 その結果、実際的なシステムは、スクラッチから訓練された個別のモデルに大きく依存し、個別の再校正を必要としている。 EEGファンデーションモデルは、最近、有望な代替として登場したが、大きな事前訓練されたモデルでさえ、単に固定された特徴抽出器として使うことができず、下流タスクに確実に適用する前に追加の適応が必要である。 本研究では,この課題に対して,ターゲット適応戦略を用いて対処する。 近年の脳波基礎モデルであるREVE, LaBraM, LUNAに基づいて, 異なる低ランク適応戦略が運動画像分類に与える影響について検討した。 本研究では,各適応層における低ランク更新をグローバルアダプタに分割し,すべての被験者に共同で訓練し,個別の変数を吸収する主観的適応器と,個別の変数を吸収する主観的適応器とを構造的に分離する枠組みを提案する。 各経路の寄与を評価するために,3つの適応戦略を比較した。 (i)主観的LoRA (II)グローバルロラと (iii) LoRA を積み重ね、Global と Subject Specific のアダプタを組み合わせたもの。 BCI competition IV-2a, PhysioNet Motor Imagery, and the Clinical Zuo2025ベンチマークの実験によると、Stacked LoRAはオブジェクト間の変動を効果的に軽減し、バックボーンとデータセットの組み合わせの大部分で最高の精度を達成する。 さらに,グローバルパスと主題特異的パスの最適バランスは,多種多様コホートに十分な共役アダプタが十分であるのに対して,対象特異的適応は,臨床記録の高いセッション間ばらつきの下で決定的である,という結果が得られた。

関連論文リスト

• Scaling Behavior Foundation Model for Humanoid Robots [77.31115920959364]
  行動基礎モデル(BFM)は、大規模な行動データを活用することで課題に対処する有望なソリューションとして登場した。 提案手法は制御忠実度とタスク一般化の大幅な改善をもたらすことを示す。 これらの結果は、BFMをスケーラブルで汎用的なヒューマノイド制御の原則的かつ効果的な基盤として確立する。
  論文  参考訳（メタデータ） (2026-07-16T16:08:27Z)
• LAtte: Hyperbolic Lorentz Attention for Cross-Subject EEG Classification [13.887781479252332]
  LAtteは、ロレンツ注意モジュールとインセプションタイムベースのエンコーダを統合して、堅牢で一般化可能なEEG分類を可能にする、新しいフレームワークである。 まず、事前学習タスクを用いて、すべての被験者に共通するベースライン信号を学習し、共通の基礎となるパターンを捉える。 そこで, 新規なローレンツ低ランクアダプタを用いて, 個人差をモデル化する主題固有の埋め込みを学習する。 これにより、被験者間で堅牢に機能する共有モデルを学ぶことができ、その後、個々の被験者に微調整したり、目に見えない被験者に一般化したりすることができる。
  論文  参考訳（メタデータ） (2026-03-11T15:27:39Z)
• Adapting Multimodal Foundation Models for Few-Shot Learning: A Comprehensive Study on Contrastive Captioners [1.2461503242570642]
  本稿では,コントラシティブ・キャピタ(CoCa)視覚バックボーンを用いた画像分類手法を提案する。 強いデータ拡張は、低ショット環境での線形探索の性能を低下させるが、LoRA微調整の安定化には不可欠である。 また,Supervised Contrastive (SupCon) の損失を組み込んだハイブリッド目的が,標準的なクロスエントロピーよりも一貫した性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-12-14T20:13:21Z)
• Rethinking Generalized BCIs: Benchmarking 340,000+ Unique Algorithmic Configurations for EEG Mental Command Decoding [0.0]
  本稿では,空間的脳波と非線形脳波の340,000以上の一意な組み合わせについて評価する。 脳波の運動画像パターンを全ユーザやデータセットで最適にデコードする,汎用的な"ワンサイズフィットオール"手法は存在しない。
  論文  参考訳（メタデータ） (2025-12-02T17:56:46Z)
• TuckA: Hierarchical Compact Tensor Experts for Efficient Fine-Tuning [83.93651411533533]
  4つのキー特性を持つTucker Adaptation(TuckA)を導入する。 我々は,ルータのパラメータサイズを$L$の係数で削減する,効率的なバッチレベルルーティング機構を開発した。 自然言語理解、画像分類、数学的推論におけるベンチマーク実験は、TuckAの有効性を物語っている。
  論文  参考訳（メタデータ） (2025-11-10T09:03:16Z)
• Mitigating Subject Dependency in EEG Decoding with Subject-Specific Low-Rank Adapters [0.0]
  ニューラルネットワークアーキテクチャの標準的な線形層や畳み込み層に対するドロップイン置換を提案する。 我々の層は、その重みを共有の主観不変成分に分解することで、主観的変動を捉えます。 経験的に、私たちの層を備えたモデルは、共有重みのみのモデルと、個別に訓練された対象特化モデルの平均の両方を上回ります。
  論文  参考訳（メタデータ） (2025-10-09T10:46:08Z)
• Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
  Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。 被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:51:42Z)
• MuSACo: Multimodal Subject-Specific Selection and Adaptation for Expression Recognition with Co-Training [52.99217736494484]
  パーソナライズされた表現認識のためのマルチモーダルな主題固有の選択と適応法であるMuSACoを紹介する。 これにより、MuSACoは、ストレスや痛みに対する患者固有の評価など、デジタルヘルスにおける感情的コンピューティングアプリケーションに関係している。 BioVid と StressID というマルチモーダル ER データセットに対する実験結果から,MuSACo が UDA (blending) および最先端 MSDA 法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-17T23:08:21Z)
• FACE: Few-shot Adapter with Cross-view Fusion for Cross-subject EEG Emotion Recognition [57.08108545219043]
  クロスオブジェクト脳波の感情認識は、重要なオブジェクト間変動と複雑に絡み合ったオブジェクト内変動によって困難である。 最近の数発の学習パラダイムは、これらの制限に対処しようと試みているが、しばしば限られたサンプルを用いて主題固有の適応を行う際に破滅的な過度なオーバーフィッティングに遭遇する。 本稿では,脳波の感情認識のためのFACEと呼ばれるクロスビュー融合方式のマイクロショットアダプタについて紹介する。
  論文  参考訳（メタデータ） (2025-03-24T03:16:52Z)
• Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
  我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。 本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。 実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-07T08:19:40Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)

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。