論文の概要: STEAM: A Spatio-TEmporal Alignment Mixture-of-Experts Model with Hierarchical Pre-training for EEG Decoding

• arxiv url: http://arxiv.org/abs/2608.02070v2
• Date: Wed, 05 Aug 2026 06:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.137182
• Title: STEAM: A Spatio-TEmporal Alignment Mixture-of-Experts Model with Hierarchical Pre-training for EEG Decoding
• Title（参考訳）: STEAM:脳波復号のための階層的事前学習を伴う時空間アライメント・ミックス・オブ・サートモデル
• Authors: Zhu Chen, Dingkun Liu, Yuheng Chen, Dongrui Wu,
• Abstract要約: 脳波基礎モデルにおけるパラダイム特化と汎用表現学習を融合した階層的伝達フレームワークであるSTEAMを提案する。 STEAMは、FLOPsで測定された競合推論コストで比較した手法の中で、最高の平均ランクを得る。
• 参考スコア（独自算出の注目度）: 12.49365160717963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interfaces (BCIs) have been widely used in motor rehabilitation, disease diagnosis, and other neural engineering scenarios. However, conventional neural signal decoding algorithms often suffer from limited generalizability and high adaptation costs, motivating recent interest in BCI foundation models. Existing approaches still struggle to jointly achieve general transferability, accurate decoding, and efficient downstream adaptation. We present STEAM, a hierarchical transfer framework that reconciles general-purpose representation learning with paradigm-specific specialization in EEG foundation models. The framework is instantiated as a dual-branch spatio-temporal encoder in which a shared soft mixture-of-experts (SSMoE) module aligns the spatial and temporal branches, allowing complementary representations to exchange information through a compact set of soft slots. Across seven downstream datasets and fourteen evaluation settings, STEAM attains the best average rank among the compared methods at a competitive inference cost measured in FLOPs. Building upon the Stage-I general initialization, the hierarchical pre-training strategy further specializes the model to a target paradigm without retraining from scratch, yielding consistent gains in paradigm-specific decoding accuracy.
• Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、運動回復、疾患診断、その他の神経工学のシナリオで広く使われている。 しかし、従来の神経信号復号アルゴリズムは、しばしば限定的な一般化性と高い適応コストに悩まされ、近年のBCI基礎モデルへの関心を喚起している。 既存のアプローチは、一般的な転送可能性、正確な復号化、効率的な下流適応を共同で達成するのに依然として苦労している。 脳波基礎モデルにおけるパラダイム特化と汎用表現学習を融合した階層的伝達フレームワークであるSTEAMを提案する。 このフレームワークは、共有ソフトミキシング・オブ・エキスパート(SSMoE)モジュールが空間的および時間的分岐を整列し、補足表現がソフトスロットのコンパクトなセットを介して情報を交換するデュアルブランチ時空間エンコーダとしてインスタンス化される。 7つの下流データセットと14の評価設定で、STEAMはFLOPsで測定された競合推論コストで比較した手法の中で最高の平均ランクを得る。 階層的な事前学習戦略は、Stage-Iの一般的な初期化に基づいて、スクラッチから再トレーニングすることなくターゲットパラダイムにモデルを特殊化し、パラダイム固有の復号精度において一貫した利得をもたらす。

関連論文リスト

• CoCoT-EEG: Contrastive-Pretrained Multiscale Convolutional Transformer for EEG Decoding [5.179334032083694]
  マルチスケールの時間的畳み込み入力層とトランスフォーマーエンコーダブロック(CoCoT)を備えた新しいコントラスト型EEGモデルを開発する。 CoCoTは、異種電極構成を持つ広範囲なベンチマークデコードタスクにおいて、最先端の再構築済みのEEGモデルと一致または打ち勝つ。 脳波FM構築におけるコントラスト学習の実現可能性を示すとともに,重要な設計上の考慮事項を示唆する。
  論文  参考訳（メタデータ） (2026-07-10T15:48:15Z)
• 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)
• 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)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
  ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
  論文  参考訳（メタデータ） (2025-06-24T06:03:49Z)
• Deep Unrolled Meta-Learning for Multi-Coil and Multi-Modality MRI with Adaptive Optimization [0.0]
  核磁気共鳴イメージング(MRI)のための統合型深層メタラーニングフレームワークを提案する。 マルチコイル再構成とクロスモダリティ合成を共同で行う。 その結果,従来の教師あり学習よりもPSNRが大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-08T04:47:12Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。