論文の概要: LibriBrain100: One Hundred Hours of Broad and Deep MEG Data for Neural Speech Decoding at Scale

• arxiv url: http://arxiv.org/abs/2608.25204v1
• Date: Tue, 25 Aug 2026 22:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.487417
• Title: LibriBrain100: One Hundred Hours of Broad and Deep MEG Data for Neural Speech Decoding at Scale
• Title（参考訳）: LibriBrain100: 大規模音声復号のための広帯域MEGデータと深部MEGデータ
• Abstract要約: 音声復号のための大規模MEGデータセットであるLibriBrain100を紹介する。 LibriBrain100は、1つの被験者から80ドル(約8,800円)の費用で、ディープ・イン・オブジェクト・ニューラルデータのための新しい記録を樹立した。
• 参考スコア（独自算出の注目度）: 4.534152971727475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce LibriBrain100, a large-scale MEG dataset for speech decoding designed from the ground up for reproducible, standardised evaluation. LibriBrain100 more than doubles the size of the original LibriBrain release, resulting in over 100 hours of high-quality MEG acquired while subjects listened to naturalistic continuous speech. With $\sim$80 hours from a single subject, LibriBrain100 sets a new record for deep, within-subject neural data (8$\times$ more than the next comparable dataset and roughly 80$\times$ more than other datasets). To demonstrate the payoff of this depth-first design, we evaluate on a word-classification benchmark---an increasingly well-established stepping stone towards the open challenge of noninvasive brain-to-text decoding. Using an existing decoding model, we achieve state-of-the-art performance---validating both the quality of the recordings and the value of within-subject data at scale. Because collecting 80 hours of data per user is impractical for real-world applications, we also collected $\sim$40 minutes of additional data from each of 32 subjects. Using the same word-classification benchmark, we demonstrate the value of broad multi-subject data: supervised finetuning of a pre-trained model can substantially compensate for limited per-subject data. We provide standard train, validation, and test splits, all reproducible through an open-sourced Python library that supports easy downloading, optional preprocessing, and data loading for common deep learning frameworks. In addition, the dataset and evaluation infrastructure are being released alongside an open machine-learning competition with a public leaderboard for standardised benchmarking. Ultimately, our hope is that LibriBrain100 will accelerate progress towards practical non-invasive brain-computer interfaces, capable of restoring communication to people living with severe paralysis.
• Abstract（参考訳）: 本稿では,再現性,標準化された評価のためにゼロから設計した音声復号化のための大規模MEGデータセットであるLibriBrain100を紹介する。 LibriBrain100は、最初のLibriBrainリリースの2倍以上の大きさで、自然主義的連続演説を聴きながら、100時間以上の高品質なMEGを取得する結果となった。 LibriBrain100は、1つの主題から80ドル(約1万2000円)の費用で、ディープ・イン・サブジェクト・ニューラルデータ(次の同等のデータセットよりも8ドル(約80ドル)の費用と、他のデータセットよりも約80ドル(約8万2000円)の費用を新たに設定する。 この深度優先設計の成果を示すために,非侵襲的脳からテキストへの復号化というオープンな課題に向けて,より確立されたステップストーンである単語分類ベンチマークを評価した。 既存のデコードモデルを用いて、記録の品質と大規模オブジェクト内データの値の両方を検証し、最先端のパフォーマンスを実現する。 ユーザ毎の80時間のデータ収集は現実のアプリケーションでは現実的ではないので、32の被験者それぞれから40分の追加データを$\sim$40分集めました。 事前学習したモデルの教師付き微調整は、限られたオブジェクト単位のデータに対して実質的に補償することができる。 私たちは標準のトレイン、バリデーション、テストスプリットを提供し、すべての再現性は、オープンソースのPythonライブラリを通じて提供しています。 さらに、データセットと評価インフラストラクチャは、標準化されたベンチマークのための公開リーダボードとのオープン機械学習コンペティションと一緒にリリースされている。 最終的には、LibriBrain100が実用的な非侵襲的脳-コンピュータインターフェースへの進歩を加速し、重度の麻痺を持つ人々へのコミュニケーションを回復することを期待しています。

関連論文リスト

• Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
  SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。 内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
  論文  参考訳（メタデータ） (2026-03-31T16:31:25Z)
• Elementary, My Dear Watson: Non-Invasive Neural Keyword Spotting in the LibriBrain Dataset [1.497166779417398]
  キーワードスポッティング(英: Keywords Spotting, KWS)は、脳とコンピュータのインターフェイスのための、プライバシーに配慮した中間タスクである。 我々は、単語レベルのデータローダとColab対応のチュートリアルを備えたpnplライブラリの更新版をリリースした。
  論文  参考訳（メタデータ） (2025-10-23T22:44:50Z)
• Apertus: Democratizing Open and Compliant LLMs for Global Language Environments [163.70368742538187]
  Apertusは、今日のオープンモデルエコシステムにおける2つのシステム的欠点に対処するために設計された、大きな言語モデル(LLM)の完全なオープンスイートである。 Apertusモデルは、公開データにのみ事前訓練されており、ロボット.txtの除外や、非許容的で有毒で個人が特定可能なコンテンツに対するフィルタリングを尊重している。 Apertusモデルはまた、1800以上の言語から15Tトークンをトレーニングし、非英語コンテンツに割り当てられた事前トレーニングデータの40%をトレーニングしている。
  論文  参考訳（メタデータ） (2025-09-17T17:59:21Z)
• The 2025 PNPL Competition: Speech Detection and Phoneme Classification in the LibriBrain Dataset [10.214825301231025]
  非侵襲的な脳データからの音声復号は、社会的影響の可能性を秘めている。 2025年のPNPLコンペティションの最終的な目標は、「ImageNet moment」の条件を作成することである。 我々は、ユーザフレンドリーなPythonライブラリ(pnpl)とともに、これまで記録された最大のオブジェクト内MEGデータセット(LibriBrain)を提示する。 このコンペティションには、アルゴリズムのイノベーションを強調するスタンダードトラックと、大規模コンピューティングに報いると思われる拡張トラックが特徴だ。
  論文  参考訳（メタデータ） (2025-06-11T20:34:33Z)
• LibriBrain: Over 50 Hours of Within-Subject MEG to Improve Speech Decoding Methods at Scale [2.225053366951265]
  LibriBrainは、音声復号のためにこれまでで最大の単一オブジェクトMEGデータセットである。 オブジェクト内データのこの前例のない深さ」は、これまで非侵襲的な方法で利用できなかったスケールでの神経表現の探索を可能にする。
  論文  参考訳（メタデータ） (2025-06-02T17:59:41Z)
• LecEval: An Automated Metric for Multimodal Knowledge Acquisition in Multimedia Learning [58.98865450345401]
  本稿では,マイアーのマルチメディア学習認知理論に基礎を置く自動計量であるLecEvalを紹介する。 LecEvalは、コンテンツ関連(CR)、表現的明瞭度(EC)、論理構造(LS)、聴取エンゲージメント(AE)の4つのルーリックを用いて効果を評価する 私たちは、50以上のオンラインコースビデオから2000以上のスライドからなる大規模なデータセットをキュレートします。
  論文  参考訳（メタデータ） (2025-05-04T12:06:47Z)
• LEMUR Neural Network Dataset: Towards Seamless AutoML [35.57280723615144]
  我々は、PyTorchベースのニューラルネットワークの大規模なコレクションを提供するオープンソースのデータセットとフレームワークであるLEMURを紹介する。 各モデルは統一されたテンプレートに従い、構成と結果が構造化データベースに格納され、一貫性が保証される。 LEMURはAutoMLの研究を加速し、公正なベンチマークを可能にし、大規模ニューラルネットワーク研究の障壁を減らすことを目的としている。
  論文  参考訳（メタデータ） (2025-04-14T09:08:00Z)
• UnitCoder: Scalable Iterative Code Synthesis with Unit Test Guidance [65.01483640267885]
  大きな言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示してきたが、コード生成は依然として大きな課題である。 私たちは、モデル生成ユニットテストを活用してコード生成プロセスのガイドと検証を行う、システマティックパイプラインであるUnitCoderを紹介します。 我々の研究は、モデル生成単体テストを利用して、事前学習コーパスから高品質なコードデータの合成を誘導するスケーラブルなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-17T05:37:02Z)
• NeKo: Toward Post Recognition Generative Correction Large Language Models with Task-Oriented Experts [57.53692236201343]
  提案するマルチタスク補正MOEでは,専門家が音声・テキスト・言語・テキスト・視覚・テキスト・データセットの「専門家」になるよう訓練する。 NeKoはマルチタスクモデルとして文法とポストOCR補正を競合的に実行している。
  論文  参考訳（メタデータ） (2024-11-08T20:11:24Z)
• The Brain's Bitter Lesson: Scaling Speech Decoding With Self-Supervised Learning [3.649801602551928]
  我々は、異種脳記録から学ぶための自己教師型目標とアーキテクチャを共に開発する。 約400時間のMEGデータと900の被験者にスケールすると、私たちのアプローチは、参加者、データセット、タスク、さらには新しい被験者への一般化を示しています。 最先端モデルの15～27%の改善を実現し、非侵襲的なデータと外科的復号性能を一致させる。
  論文  参考訳（メタデータ） (2024-06-06T17:59:09Z)
• ORB: An Open Reading Benchmark for Comprehensive Evaluation of Machine Reading Comprehension [53.037401638264235]
  我々は,7種類の読解データセットの性能を報告する評価サーバORBを提案する。 評価サーバは、モデルのトレーニング方法に制限を課さないため、トレーニングパラダイムや表現学習の探索に適したテストベッドである。
  論文  参考訳（メタデータ） (2019-12-29T07:27:23Z)

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。