論文の概要: Adaptive Multi-Expert Graph Transformer for Interpretable EEG-Based Diagnostics

• arxiv url: http://arxiv.org/abs/2607.19429v1
• Date: Mon, 20 Jul 2026 19:04:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.887494
• Title: Adaptive Multi-Expert Graph Transformer for Interpretable EEG-Based Diagnostics
• Title（参考訳）: 適応型多機能グラフ変換器による脳波診断
• Abstract要約: 本稿では,各脳波記録を動的接続グラフのシーケンスとしてモデル化する空間多重拡張グラフ変換器を提案する。 マルチエキスパートトランスフォーマーアーキテクチャは、グローバルな異常予測のために専門家出力を適応的に融合させるゲーティング機構を備えた、サブタイプ認識推論を可能にする。
• 参考スコア（独自算出の注目度）: 2.8410059035029955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalographic (EEG) abnormalities arise from dynamic changes in neural synchrony across spatial and temporal scales, yet many computational approaches reduce these dynamics to static features. We present a Spatial Multi-Expert Graph Transformer that models each EEG recording as a sequence of dynamic functional connectivity graphs. Time-resolved connectivity is estimated using the weighted Phase Lag Index (wPLI), and hierarchical graph encoding aggregates information from electrode to regional and global levels. A multi-expert transformer architecture enables subtype-aware reasoning, with a gating mechanism adaptively fusing expert outputs for global abnormality prediction. Experiments on the TUAB dataset show competitive abnormal EEG detection performance and demonstrate the potential of dynamic graph modeling with adaptive expert fusion for interpretable, subtype-aware spatial--temporal analysis.
• Abstract（参考訳）: 脳波(EEG)異常は、空間的および時間的スケールにわたる神経同期の動的変化から生じるが、多くの計算手法はこれらのダイナミクスを静的な特徴に還元する。 本稿では,各脳波記録を動的接続グラフのシーケンスとしてモデル化する空間多重拡張グラフ変換器を提案する。 時間分解接続性は、重み付き位相ラグ指数(wPLI)を用いて推定され、階層グラフは、電極から地域および世界レベルへの情報を集約する。 マルチエキスパートトランスフォーマーアーキテクチャは、グローバルな異常予測のために専門家出力を適応的に融合させるゲーティング機構を備えた、サブタイプ認識推論を可能にする。 TUABデータセットの実験は、競合する異常脳波検出性能を示し、解釈可能なサブタイプ認識時空間時間解析のための適応的専門家融合を用いた動的グラフモデリングの可能性を示した。

関連論文リスト

• Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs [52.31268996286955]
  グラフ上のテスト時間適応(TTA)は、トレーニンググラフ上で十分にトレーニングされたグラフニューラルネットワーク(GNN)をテストグラフに適応させることを目的としている。 DGOTTAと呼ばれる動的グラフ上での時間的メモリを考慮したオンラインテスト時間適応のフレームワークを提案し、テスト時間中によく訓練されたDGNNを効果的に適応させる。
  論文  参考訳（メタデータ） (2026-08-28T05:41:39Z)
• Controlled Dynamics Attractor Transformer [58.15454173718687]
  トランスフォーマーアーキテクチャは自己認識機構を通じて深層モデルにおける高度な表現学習と推論を行う。 並行して、連想記憶(AM)フレームワークはエネルギーランドスケープに表現をマッピングし、解釈可能な検索メカニズムを提供する。 我々は,ミセス・フィッシャー (Mo-vMF) の注意エネルギーとホップフィールド精製エネルギーを混合した制御型ダイナミクス・アトラクタ変換器 (CCAT) を提案する。 CCATは、グラフ異常検出とグラフ分類において、複数のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-13T09:04:22Z)
• Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
  分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:50:03Z)
• Neuromorphic Graph Anomaly Detection via Adaptive STDP and Spiking Graph Neural Networks [5.389662562911571]
  動的ネットワークにおける異常検出は、サイバーセキュリティから産業監視まで、アプリケーションにとって極めて重要である。 本稿では,グラフ異常検出のための新しい適応スパイキング時間動的塑性フレームワークASTDP-GADを紹介する。 我々のフレームワークは、次の重要なイノベーションを通じて、スパイキングニューラル、STDP学習、グラフベースの異常検出を統一する。
  論文  参考訳（メタデータ） (2026-04-29T04:45:11Z)
• NeurIPT: Foundation Model for Neural Interfaces [13.659630322026095]
  NeurIPTは、トレーニング済みトランスフォーマーを備えた多様なEEGベースのニューラルインタフェース向けに開発された基礎モデルである。 我々はAAMP(Amplitude-Aware Masked Pretraining)を導入し、局所的以外の様々な信号強度にわたる堅牢な表現を学習する。 また、局所脳の特徴を効果的に活用するために、微調整中にインターローブプール(IILP)を開発する。
  論文  参考訳（メタデータ） (2025-10-18T15:45:00Z)
• Spatial-Functional awareness Transformer-based graph archetype contrastive learning for Decoding Visual Neural Representations from EEG [3.661246946935037]
  本稿では,脳波に基づく視覚的デコーディングを強化するために,空間認識変換器を用いたグラフアーチタイプコントラスト学習(SFTG)フレームワークを提案する。 具体的には、空間的脳の接続性と時間的神経力学を同時に符号化する新しいグラフベースのニューラルアーキテクチャであるEEG Graph Transformer(EGT)を紹介する。 高い対象内変動を緩和するために,特徴の整合性とクラス分離性を改善するために,主観固有の脳波グラフアーチタイプを学習するグラフアーチタイプコントラスト学習(GAC)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T13:27:55Z)
• SGFormer: Single-Layer Graph Transformers with Approximation-Free Linear Complexity [74.51827323742506]
  グラフ上でのトランスフォーマーにおける多層アテンションの導入の必要性を評価する。 本研究では,一層伝播を一層伝播に還元できることを示す。 これは、グラフ上で強力で効率的なトランスフォーマーを構築するための新しい技術パスを示唆している。
  論文  参考訳（メタデータ） (2024-09-13T17:37:34Z)
• MVGT: A Multi-view Graph Transformer Based on Spatial Relations for EEG Emotion Recognition [4.184462746475896]
  3つの領域にまたがる情報を統合する空間関係に基づく多視点グラフ変換器(MVGT)を提案する。 公開データセットの評価では、MVGTがパフォーマンスにおいて最先端の手法を上回ることが示されている。
  論文  参考訳（メタデータ） (2024-07-03T14:13:00Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Dynamic Graph Representation Learning via Graph Transformer Networks [41.570839291138114]
  動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。 DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。 DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-19T21:44:23Z)
• GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。 導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
  論文  参考訳（メタデータ） (2020-06-16T04:57:12Z)

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。