論文の概要: A Cyclic Adaptation-Generalization Framework with Uncertainty-Guided Self-Paced Learning for Long-Term Brain-Machine Interfaces

• arxiv url: http://arxiv.org/abs/2607.24031v1
• Date: Mon, 27 Jul 2026 05:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.326635
• Title: A Cyclic Adaptation-Generalization Framework with Uncertainty-Guided Self-Paced Learning for Long-Term Brain-Machine Interfaces
• Title（参考訳）: 長期脳-機械インタフェースのための不確かさ誘導型自己更新学習を用いた周期的適応・一般化フレームワーク
• Authors: Jiyu Wei, Di Hong, Zhanjie Zhang, Dazhong Rong, Qinming He, Yueming Wang,
• Abstract要約: Brain-Machine Interfaces (BMI) は、脳と外部デバイスを繋ぎ、リハビリ、人のパフォーマンス向上、人間中心のロボット工学において大きな可能性を秘めている。 BMIは、ニューラルドリフトによる長期的なデプロイメントにおいて、重要な課題に直面している。 ニューラルドリフトを緩和するために設計された既存の方法は、ドメイン適応(DA)またはドメイン一般化(DG)のみに依存している。 我々は,DAとDGを相乗化して対象ドメインの精製を行う堅牢なフレームワークであるUncertainty-Guided Self-paced Cycling (UnSPC)を提案する。
• 参考スコア（独自算出の注目度）: 12.519778500895617
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain-Machine Interfaces (BMIs), which link the brain to external devices, hold great potential in rehabilitation, human performance augmentation, and human-centered robotics. However, invasive BMIs face a critical challenge for long-term deployment due to neural drift, which degrades decoding performance over time and necessitates frequent recalibration. Existing methods designed to mitigate neural drift typically rely on either domain adaptation (DA) or domain generalization (DG) alone and often fail to capture fine-grained distribution shifts across neural subdomains, resulting in limited performance. To overcome these limitations, we propose Uncertainty-guided Self-paced Cycling (UnSPC), a robust framework that synergizes DA and DG for target domain refining under an Uncertainty-guided Self-paced Pseudo-labeling (UnSPL) mechanism. To handle subdomain neural drift across domains, UNSPL is proposed to iteratively mine reliable pseudo-labeled samples with a noise-robust ranking strategy for further fine-tuning. Leveraging these high-quality samples, we introduce a novel Cycling Adaptation and Generalization (CycAG) strategy, which integrates DA and DG within an iterative cycle to progressively mitigate both global and subdomain drift. This cyclic process enables effective alignment to evolving target distributions while preserving robust and transferable representations, thereby mitigating performance degradation under long-term neural drifts. Extensive experiments on multiple neural decoding datasets demonstrate the effectiveness and robustness of UnSPC. To our knowledge, our proposed UnSPC is the first to cyclically integrate DA and DG with pseudo-labeling, paving the way toward stable long-term BMI controls.
• Abstract（参考訳）: 脳と外部デバイスをつなぐBMI(Brain-Machine Interfaces)は、リハビリテーション、人のパフォーマンス向上、人間中心のロボット工学において大きな可能性を秘めている。 しかし、侵入的BMIは、時間とともに復号性能を低下させ、頻繁な再校正を必要とするニューラルドリフトにより、長期展開において重要な課題に直面している。 ニューラルドリフトを緩和するために設計された既存の手法は、通常ドメイン適応(DA)またはドメイン一般化(DG)のみに依存しており、しばしばニューラルサブドメイン全体にわたるきめ細かい分布シフトを捉えることができず、性能が制限される。 これらの制約を克服するために,不確実性誘導型自己ペースト・サイクリング (UnSPC) という,不確実性誘導型自己ペースト・プシュード・ラベルリング (UnSPL) 機構の下でDAとDGを相乗化するための堅牢なフレームワークを提案する。 ドメイン間のサブドメインニューラルドリフトを扱うために、UNSPLは、より微細なチューニングのためのノイズロストランキング戦略を用いて、信頼性の高い擬似ラベルサンプルを反復的にマイニングする。 これらの高品質なサンプルを活用することで、DAとDGを反復サイクルに統合し、グローバルドリフトとサブドメインドリフトの両方を段階的に緩和する新しいサイクル適応と一般化(CycAG)戦略を導入する。 この循環過程は、ロバストかつ伝達可能な表現を維持しながら、ターゲット分布の進化に効果的なアライメントを可能にし、長期の神経ドリフトによる性能劣化を緩和する。 複数のニューラルデコーディングデータセットに関する大規模な実験は、UnSPCの有効性と堅牢性を示している。 我々の知る限り、我々の提案したUnSPCは、DAとDGを擬似ラベルで循環的に統合し、安定した長期BMI制御への道を開く最初のものである。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Mastering Continual Reinforcement Learning through Fine-Grained Sparse Network Allocation and Dormant Neuron Exploration [28.75006029656076]
  本稿では,細粒度配置戦略により塑性を向上させる新しい構造ベースアプローチであるSSDEを紹介する。 SSDEは、パラメータ空間をフォワードトランスファー(フリーズ)パラメータとタスク固有の(トレーニング可能な)パラメータに分解する。 CW10-v1 Continual Worldベンチマークの実験では、SSDEが最先端のパフォーマンスを達成し、95%の成功率に達した。
  論文  参考訳（メタデータ） (2025-03-07T08:58:07Z)
• Stability and Generalization Analysis of Gradient Methods for Shallow Neural Networks [59.142826407441106]
  本稿では,アルゴリズム安定性の概念を活用して,浅層ニューラルネットワーク(SNN)の一般化挙動について検討する。 我々は、SNNを訓練するために勾配降下(GD)と勾配降下(SGD)を考慮する。
  論文  参考訳（メタデータ） (2022-09-19T18:48:00Z)
• Generative Self-training for Cross-domain Unsupervised Tagged-to-Cine MRI Synthesis [10.636015177721635]
  クロスドメイン画像合成のための連続値予測と回帰目標を用いた新たな自己学習フレームワークを提案する。 具体的には,疑似ラベルを不確実性マスクでフィルタリングし,実際のベイズ学習を用いて生成した画像の予測信頼度を定量化する。
  論文  参考訳（メタデータ） (2021-06-23T16:19:00Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。