論文の概要: EEG-VID: Task-Guided Latent Predictive Pretraining for EEG Decoding and Assistive Target Selection

• arxiv url: http://arxiv.org/abs/2609.00566v3
• Date: Tue, 08 Sep 2026 06:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 22:37:20.330707
• Title: EEG-VID: Task-Guided Latent Predictive Pretraining for EEG Decoding and Assistive Target Selection
• Title（参考訳）: EEG-VID:脳波復号と補助目標選択のためのタスクガイド付き遅延予測事前学習
• Authors: Guanzhong Sun, Junyi Ma, Yuxuan Wu, Wei Tang, Yanzi Miao,
• Abstract要約: EEG-VIDは、セッションおよび課題シフト下でのEEGデコーディングのためのタスクガイド付き潜在予測事前トレーニングフレームワークである。 指数移動平均目標エンコーダと弱いタスクガイダンスを用いて、最近の歴史から将来の潜在脳波状態を予測し、教師付き微調整を行う。
• 参考スコア（独自算出の注目度）: 12.773934885732993
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose EEG-VID, a task-guided latent predictive pretraining framework for EEG decoding under session and subject shifts. EEG-VID predicts future latent EEG states from recent history using an exponential-moving-average target encoder and weak task guidance, followed by supervised fine-tuning. Across VIG-48 and BCI Competition IV-2a/IV-2b, Stage 1 improves mean accuracy in 41 of 42 matched backbone-dataset-protocol comparisons, including all 12 leave-one-subject-out settings, with a maximum gain of 16.22 percentage points. On the 48-region cross-day VIG-48 task, EEG-VID achieves 6.52% Top-1 and 30.50% Top-5 accuracy. In a separate six-participant offline robot-scene study, candidate-constrained target selection reaches 40.24% versus a 25% chance level after subject-specific calibration. These results support task-guided latent prediction as a transferable pretraining strategy for EEG decoding and scene-constrained assistive target selection.
• Abstract（参考訳）: 本稿では,脳波復号のためのタスク誘導型潜在予測事前学習フレームワークであるEEG-VIDを提案する。 EEG-VIDは、指数移動平均目標エンコーダと弱いタスクガイダンスを用いて、最近の歴史から将来の潜在脳波状態を予測する。 VIG-48とBCIコンペティションIV-2a/IV-2b全体で、ステージ1は42のマッチしたバックボーン-データセット-プロトコール比較の41で平均精度を向上する。 48日間のVIG-48タスクでは、EEG-VIDは6.52%のTop-1と30.50%のTop-5を達成している。 異なる6人の参加者によるオフラインロボットシーンの研究において、候補制約対象の選択は、対象特定校正後の25%の確率レベルに対して40.24%に達する。 これらの結果は,脳波復号とシーン拘束型補助目標選択のための伝達可能な事前学習戦略として,タスク誘導潜時予測を支援する。

関連論文リスト

• EEG-JEPA: Structured Latent Prediction for EEG Foundation Models [8.073687183161216]
  本稿では,脳波基礎モデリングのための構造化潜在予測フレームワークであるEEG-JEPAを紹介する。 EEG-JEPAは3つの相補的な次元に沿ってターゲット設計を編成する。 EEG-JEPAは、CBraModスタイルの仮面波形再構成に比べて、14タスクの冷凍マクロバランスの精度を40.49%から50.42%に改善した。
  論文  参考訳（メタデータ） (2026-07-31T08:57:53Z)
• PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents [53.369140518949656]
  外部知識グラフ(KG)の統合により,大規模言語モデル(LLM)ベースのシステムを強化する新しいフレームワークであるPersonalAI 2.0(PAI-2)を紹介する。 提案手法は,動的でマルチステージなクエリ処理パイプラインを組み込むことにより,既存のGraphRAG(Retrieval-Augmented Generation)メソッドの重要な制限に対処する。 グラフアルゴリズム(例えば、BeamSearch、WaterCircles)は、平均6%の標準フラットテンレトリバーよりも優れた結果が得られる一方で、検索計画強化機構は、6つのデータセットにわたるLLM-as-a-Judgeによる障害アルゴリズムに比べて18%向上することを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:06:30Z)
• DataProphet: Demystifying Supervision Data Generalization in Multimodal LLMs [49.877224470539126]
  トレーニングデータセットが目標ベンチマークに与える影響を,トレーニングが実行される前に見積もることができるか? この結果から,直感的タスク類似性は伝達可能性の信頼できない予測因子であり,一般化はタスクカテゴリよりも特定のデータセットに依存していることがわかった。 そこで本研究では,マルチモーダルなパープレクティリティ,類似性,データ多様性を組み合わせたトレーニング不要な指標であるDatePROPHETを提案する。
  論文  参考訳（メタデータ） (2026-03-20T06:42:26Z)
• REVE: A Foundation Model for EEG -- Adapting to Any Setup with Large-Scale Pretraining on 25,000 Subjects [5.368295573908306]
  REVE(Representation for EEG with Versatile Embeddings)は、様々な脳波信号にまたがる一般化を意図した事前訓練モデルである。 我々は25,000人の被験者にまたがる92のデータセットから6万時間以上の脳波データをプレトレーニングしました。 我々は、標準化された脳波研究を支援し、臨床神経科学の進歩を促進するためのコード、事前訓練された体重、チュートリアルをリリースする。
  論文  参考訳（メタデータ） (2025-10-24T15:52:46Z)
• Investigating the Impact of Rational Dilated Wavelet Transform on Motor Imagery EEG Decoding with Deep Learning Models [1.4069478981641936]
  Rational Discrete Wavelet Transform (RDWT) は、運動画像脳波(EEG)デコードのためのプラグイン前処理ステップとして使用される。 この評価は、High Gamma、BCI-IV-2a、BCI-IV-2bの3つのベンチマークデータセットで実施された。
  論文  参考訳（メタデータ） (2025-10-10T10:31:14Z)
• GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
  本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。 本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。 我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
  論文  参考訳（メタデータ） (2023-02-06T16:23:24Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• ECRECer: Enzyme Commission Number Recommendation and Benchmarking based on Multiagent Dual-core Learning [1.4114970711442507]
  ECRECerは,新しいディープラーニング技術に基づいて,EC数値を正確に予測するクラウドプラットフォームである。 ECRECerを構築するために、異なるタンパク質表現法を評価し、タンパク質配列の埋め込みにタンパク質言語モデルを採用する。 ECRECerは最高のパフォーマンスを提供し、正確さとF1スコアをそれぞれ70%、最先端よりも20%向上させる。
  論文  参考訳（メタデータ） (2022-02-08T04:00:49Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。