論文の概要: Understanding and Correcting Low-Frequency Bias in EEG Foundation Model

• arxiv url: http://arxiv.org/abs/2608.01898v1
• Date: Mon, 03 Aug 2026 08:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.411443
• Title: Understanding and Correcting Low-Frequency Bias in EEG Foundation Model
• Title（参考訳）: 脳波基礎モデルにおける低周波バイアスの理解と補正
• Abstract要約: 脳波基礎モデルにより学習された表現における持続的低周波バイアスを同定する。 我々の分析は、脳波の1/f$のようなスペクトル構造と、低周波成分を優先的に学習するニューラルネットワークの傾向の間の相互作用と、このバイアスを関連付けている。 マスクされた脳波入力から予め定義された脳波帯域の時間-周波数動作を再構成する、周波数バランスのマスク付き自動符号化フレームワークであるFAMEを紹介する。
• 参考スコア（独自算出の注目度）: 12.910215709640033
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Increasing EEG pretraining data scale or model capacity does not consistently improve downstream performance. We identify a persistent low-frequency bias in representations learned by diverse EEG foundation models, which remains across dataset scales, model capacities, and pretraining objectives. Our analysis links this bias to the interaction between EEG's $1/f^α$-like spectral structure and neural networks' tendency to preferentially learn low-frequency components. In masked autoencoders, the $\ell_2$ reconstruction objective further amplifies this imbalance: under comparable relative reconstruction errors, high-power low-frequency components contribute disproportionately to the loss. To address this issue, we introduce FAME, a frequency-balanced masked autoencoding framework that reconstructs time--frequency activity in predefined EEG bands from masked EEG inputs. FAME independently standardizes the reconstruction targets within each band and assigns equal weight to all band-specific losses, thereby balancing supervision across the EEG spectrum. Evaluated on 41 downstream tasks in OmniEEG-Bench, FAME learns more spectrally balanced representations and achieves state-of-the-art performance on 24 of them. These results underscore the importance of balanced spectral supervision for learning transferable EEG representations.
• Abstract（参考訳）: データスケールやモデルキャパシティをトレーニングするEEGの増加は、ダウンストリームのパフォーマンスを継続的に改善するわけではない。 我々は、データセットのスケール、モデル能力、事前学習対象に留まる多様なEEG基盤モデルによって学習された表現において、持続的な低周波バイアスを同定する。 このバイアスは、EEGの1/f^α$-likeスペクトル構造と、ニューラルネットワークの低周波成分を優先的に学習する傾向の相互作用と関係している。 マスク付きオートエンコーダでは、$\ell_2$リコンストラクションの目的がさらにこの不均衡を増幅している。 この問題に対処するため、FAMEは、マスクされた脳波入力から予め定義された脳波帯域の時間周波数アクティビティを再構成する、周波数バランスのマスク付き自動符号化フレームワークである。 FAMEは、各バンド内の再構成ターゲットを独立に標準化し、すべてのバンド固有の損失に等しい重量を割り当て、EEGスペクトルの監督のバランスをとる。 OmniEEG-Benchの41のダウンストリームタスクに基づいて、FAMEはよりスペクトルバランスの取れた表現を学び、24の最先端のパフォーマンスを達成する。 これらの結果は、伝達可能な脳波表現の学習において、バランスの取れたスペクトル監督の重要性を浮き彫りにした。

関連論文リスト

• Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder [1.2599533416395767]
  本稿では,脳波(EEG)および心拍変動(HRV)信号からの表現学習のための新しい自己教師型学習フレームワークを提案する。 畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerはローカル時間パターンと長距離コンテキスト依存の両方を効果的にキャプチャする。 実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-07-26T09:11:03Z)
• Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation [13.893263438236106]
  既存のフローベースのアプローチでは、サンプル内のすべてのチャンネルと時間セグメントが単一のグローバルな時間進行を共有すると仮定する。 条件付きフローマッチングに基づく適応型脳波生成フレームワークを提案する。 我々のフレームワークは一貫して最強のベースラインを上回り、TS-FIDを最大62.2%削減し、下流の分類精度を最大6.77ポイント向上させる。
  論文  参考訳（メタデータ） (2026-07-25T00:15:14Z)
• Aperiodic and Low-Frequency Spectral Bias in Reconstruction based EEG Foundation Models [38.88255695601846]
  大規模無ラベル脳波データに基づいて事前学習された脳波基礎モデルは、一般化可能な脳波表現を学習するための有望な方向として現れてきた。 脳波信号の慣用的スペクトル構造と再構成に基づくプレテキストタスクの基本的なミスマッチに起因して、この欠点を機械論的に説明する。
  論文  参考訳（メタデータ） (2026-05-26T01:40:36Z)
• Structured Prototype-Guided Adaptation for EEG Foundation Models [56.35233377493694]
  脳波基礎モデルでは、主観レベルの監督が限定されている場合、一般化が不十分であることが示されている。 この失敗は、ノイズ、限られた監督とEMFの高可塑性パラメータ空間の間の構造的ミスマッチに起因する。 EFMファインチューニングのための構造化COnfidence対応プロトタイプ誘導適応フレームワークSCOPEを提案する。
  論文  参考訳（メタデータ） (2026-02-19T10:54:29Z)
• Back to Ear: Perceptually Driven High Fidelity Music Reconstruction [4.380428073231143]
  epsilonar-VAEは、変分オートエンコーダ(VAE)を再考し最適化するオープンソースの音楽信号再構成モデルである 実験の結果、epsilonar-VAEは44.1kHzで、様々なメトリクスにわたる主要なオープンソースモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-09-18T12:41:34Z)
• Tokenizing Single-Channel EEG with Time-Frequency Motif Learning [16.732494632599934]
  本稿では,新しいトークン化フレームワークであるFM-Tokenizerを提案する。 単一チャネルのEEG信号から時間周波数モチーフの語彙を学び、それらを離散トークンにエンコードする。 信号形式, チャネル構成, 記録装置, タスクの事前学習データと異なる耳-EEG睡眠ステージング実験により, トークン化装置がベースラインを14%上回ることを示す。
  論文  参考訳（メタデータ） (2025-02-22T03:32:36Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。