論文の概要: EEG-AS: Instance-Level Foundation Model Selection for EEG Foundation Models via Behavior Reconstruction

• arxiv url: http://arxiv.org/abs/2609.00653v1
• Date: Tue, 01 Sep 2026 03:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.269774
• Title: EEG-AS: Instance-Level Foundation Model Selection for EEG Foundation Models via Behavior Reconstruction
• Title（参考訳）: EEG-AS:行動再構成による脳波基礎モデルのインスタンスレベルモデル選択
• Authors: Yunzhen Zhang, Ruoxi Piao, Hasan Onur Keles, Mustafa Misir,
• Abstract要約: データセットや個々のEEGインスタンス間で一貫して最高のパフォーマンスを発揮するファンデーションモデルは存在しない。 インスタンスレベルのアルゴリズム選択問題として,脳波基礎モデル選択を提案する。 EEG-ASは、アンカー基礎モデルに規定された特権付き予測トークンから、利用できない基礎モデル行動の再構築を学ぶ。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is a non-invasive technique for measuring neural activity and has been widely used in neuroscience applications. Recent advances in EEG foundation models have enabled strong performance across diverse neural decoding tasks. However, no single foundation model consistently performs best across datasets or individual EEG instances, while instance-level model selection remains largely unexplored. To address this limitation, we formulate EEG foundation model selection as an instance-level Algorithm Selection (AS) problem. We propose \textbf{EEG-AS}, an instance-level algorithm selection framework that characterizes each EEG instance using inference-available latent EEG embeddings, handcrafted neurophysiological features, and an anchor foundation model. During training, EEG-AS learns to reconstruct unavailable foundation-model behaviors from privileged prediction tokens conditioned on an anchor foundation model, while during inference it estimates these behaviors without executing the entire model portfolio, enabling efficient selection from seven EEG foundation models. Experiments on seven public EEG benchmarks demonstrate that EEG-AS substantially narrows the gap between the Single Best Solver (SBS) and the oracle upper bound for each instance. These results highlight the effectiveness of instance-level AS for adaptive deployment of EEG foundation models.
• Abstract（参考訳）: 脳電図(EEG)は神経活動を測定する非侵襲的手法であり、神経科学の応用で広く用いられている。 脳波基礎モデルの最近の進歩は、多様なニューラルデコーディングタスク間で強力なパフォーマンスを実現している。 しかし、データセットや個々のEEGインスタンス間で一貫してベストを尽くすファンデーションモデルはない。 この制限に対処するため、脳波基礎モデル選択をインスタンスレベルのアルゴリズム選択(AS)問題として定式化する。 本稿では、推論可能な潜在脳波埋め込み、手作りの神経生理学的特徴、アンカー基礎モデルを用いて、各EEGインスタンスを特徴付けるインスタンスレベルのアルゴリズム選択フレームワークである「textbf{EEG-AS}」を提案する。 トレーニング中、EEG-ASは、アンカー基礎モデルで条件付けられた特権付き予測トークンから、利用できない基礎モデル動作を再構築することを学び、推論中はモデルポートフォリオ全体を実行せずにこれらの挙動を推定し、7つのEEG基礎モデルから効率的な選択を可能にする。 EEG-ASがSBS(Single Best Solver)と各インスタンスのオラクル上界とのギャップを著しく狭めることを示す。 これらの結果は,脳波基礎モデルの適応的展開におけるインスタンスレベルのASの有効性を浮き彫りにした。

関連論文リスト

• A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
  最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。 低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-27T14:51:54Z)
• CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
  CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-05-11T16:34:58Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• BrainGPT: Unleashing the Potential of EEG Generalist Foundation Model by Autoregressive Pre-training [15.135177893151008]
  EEGPTはこれらの課題に対処するために設計された最初の一般のEEG基盤モデルである。 まず,各電極を基本単位として扱う電極ワイド・モデリング手法を提案する。 第2に、最初の自己回帰型脳波事前学習モデルを開発する。 第3に,学習可能な電極グラフネットワークを用いたマルチタスク転送学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-14T12:17:54Z)
• Neuro-GPT: Towards A Foundation Model for EEG [0.04188114563181615]
  脳波エンコーダとGPTモデルからなる基礎モデルであるNeuro-GPTを提案する。 ファンデーションモデルは、マスクされたEEGセグメントの再構築方法を学ぶ自己教師付きタスクを使用して、大規模なデータセット上で事前訓練される。 基礎モデルを適用することで、スクラッチからトレーニングしたモデルと比較して、分類性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2023-11-07T07:07:18Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

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。