論文の概要: NEXUS-MI: Communication-Aware Federated Personalization for Gateway-Coordinated Motor-Imagery Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2609.09786v1
• Date: Wed, 09 Sep 2026 06:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.919504
• Title: NEXUS-MI: Communication-Aware Federated Personalization for Gateway-Coordinated Motor-Imagery Brain-Computer Interfaces
• Title（参考訳）: NEXUS-MI: ゲートウェイ協調型モータ画像脳-コンピュータインタフェースのためのコミュニケーション対応のフェデレーションパーソナライゼーション
• Abstract要約: フェデレーション学習は、生の脳波を集中化せずに共有表現を利用することができるが、既存のフェデレーションMI研究は概ね規則的同期を前提としている。 NEXUS-MIは、同期を複合学習通信制御問題として扱うゲートウェイ協調型個人化フレームワークである。 結果: 通信対応のコーディネーションにより、両方のデータセットでサーバからクライアントまでのバックボーントラフィックが約42%削減された。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG)-based motor-imagery brain-computer interfaces (MI-BCIs) vary across subjects and sessions, complicating personalization from limited calibration data. Federated learning can exploit shared representations without centralizing raw EEG, but existing federated MI studies largely assume regular synchronization. We introduce NEXUS-MI, a gateway-coordinated federated personalization framework that treats synchronization as a coupled learning-and-communication control problem. Raw EEG and classifier heads remain local, while an edge coordinator maintains the shared backbone. We evaluate NEXUS-MI through offline replay using BCI Competition IV Dataset 2a (BCICIV-2a; 9 subjects, 4 classes) and OpenBMI (54 subjects, 2 classes). Session 1 supports backbone learning, and Session 2 provides limited-calibration personalization and held-out testing. An ideal-link reference and six heterogeneous-link policies characterize gateway participation, buffering, stale-update admission, and backbone-download control. The principal comparison holds delayed-update handling fixed while contrasting non-adaptive and communication-aware synchronization. Paired subject-level comparisons use Holm adjustment, and robustness across five matched realizations is assessed by hierarchical bootstrap. Communication-aware coordination reduced server-to-client backbone traffic by approximately 42% on both datasets, while cohort-level accuracy differences were small and realization-dependent. Cohort averages also concealed subject-level vulnerability, with losses reaching approximately 12 percentage points on BCICIV-2a relative to the ideal-link reference. These findings establish gateway synchronization as an explicit design variable in federated MI personalization and motivate joint evaluation of personalized accuracy, communication cost, update freshness, and subject-level reliability.
• Abstract（参考訳）: 脳波(EEG)に基づく運動画像脳-コンピュータインタフェース(MI-BCI)は被験者やセッションによって異なり、限られた校正データからパーソナライズされる。 フェデレーション学習は、生の脳波を集中化せずに共有表現を利用することができるが、既存のフェデレーションMI研究は概ね規則的同期を前提としている。 NEXUS-MIは、同期を複合学習・通信制御問題として扱うゲートウェイ協調型個人化フレームワークである。 生の脳波と分類器ヘッドは局所的であり、エッジコーディネータは共有バックボーンを維持している。 BCIコンペティションIVデータセット2a(BCICIV-2a,9科目,4科目)とOpenBMI(54科目,2科目)を用いて,NEXUS-MIの評価を行った。 セッション1はバックボーン学習をサポートし、セッション2は限定キャリブレーションのパーソナライゼーションとホールドアウトテストを提供する。 イデアルリンク参照と6つのヘテロジニアスリンクポリシーは、ゲートウェイの参加、バッファリング、スタル更新、バックボーンダウンロード制御を特徴付ける。 主比較では、非適応的で通信対応の同期とは対照的に、遅延更新処理が固定されている。 Paired subject-level comparisons using Holm adjust, and robustness across five matched realizations is evaluate by Hierarchical bootstrap。 通信対応のコーディネーションにより、両方のデータセットでサーバ間バックボーントラフィックが約42%削減され、コホートレベルの精度差は小さく、実現に依存した。 コホート平均値も被写体レベルの脆弱性を隠蔽し、BCICIV-2aの損失は理想リンク基準に対して約12ポイントに達した。 これらの結果から,連携型MIパーソナライゼーションにおいて,ゲートウェイ同期を明示的な設計変数として確立し,パーソナライズされた精度,通信コスト,更新新鮮度,主観レベルの信頼性を共同評価する。

関連論文リスト

• BESplit: Bias-Compensated Split Federated Learning with Evidential Aggregation [2.5015678499211407]
  Split Federated Learning (SFL)は、クライアントとサーバ間でモデルを分割することで、プライバシ保護による協調トレーニングを可能にする。 非IIDデータ分布では、SFLは偏りのある最適化と不安定な収束に悩まされることが多い。 非IID効果を軽減するために,SFLの本質的な構造を利用したアーキテクチャ対応フレームワークBESplitを提案する。
  論文  参考訳（メタデータ） (2026-05-17T15:42:33Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• Fed-PELAD: Communication-Efficient Federated Learning for Massive MIMO CSI Feedback with Personalized Encoders and a LoRA-Adapted Shared Decoder [31.828746802264032]
  Fed-PELADは、パーソナライズされたエンコーダとLoRA対応の共有デコーダを組み込んだ、新しい学習フレームワークである。 従来の方法と比較して,Fed-PELADはアップリンク通信コストの42.97%しか必要としていない。
  論文  参考訳（メタデータ） (2025-10-29T05:24:21Z)
• Efficient Multi-turn RL for GUI Agents via Decoupled Training and Adaptive Data Curation [65.3648667980258]
  視覚言語モデル(VLM)に基づくGUIエージェントは複雑なタスクの自動化を約束するが、強化学習(RL)の適用において大きな課題に直面している。 異種モジュールを高度に非結合的に協調するGUIエージェントのための非結合エージェントRLトレーニングフレームワークであるDARTを提案する。 OSWorldのベンチマークでは、DART-GUI-7Bは42.13%のタスク成功率、14.61%の絶対ゲイン、オープンソースSOTAよりも7.34%高い。
  論文  参考訳（メタデータ） (2025-09-28T13:19:20Z)
• DART: Dual Adaptive Refinement Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
  Open-Vocabulary Multi-Label Recognition (OV-MLR)は、画像内の複数の見えないオブジェクトカテゴリを識別することを目的としている。 ビジョンランゲージ事前学習モデルは強力なオープン語彙基盤を提供するが、弱い監督下では微粒な局所化に苦慮する。 本稿では,これらの制約を克服するためのDART(Dual Adaptive Refinement Transfer)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-07T17:22:33Z)
• Deep Reinforcement Learning-Based User Scheduling for Collaborative Perception [24.300126250046894]
  車両間通信(V2X)を用いて、協調的知覚が知覚精度を向上させることを想定する。 通信資源が限られているため、すべてのユニットが点雲や高精細ビデオなどのセンシングデータを送信するのは現実的ではない。 協調認識のための深層強化学習に基づくV2Xユーザスケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-12T04:45:00Z)
• FedRSClip: Federated Learning for Remote Sensing Scene Classification Using Vision-Language Models [23.830133838392964]
  本稿では,VLM,特にCLIPに基づくリモートセンシング画像分類のための最初のフェデレーション学習フレームワークであるFedRSCLIPを提案する。 FedRSCLIPは、Prompt Learningを導入することで、フェデレーション環境におけるデータ不均一性と大規模モデル伝送の課題に対処する。 提案モデルの有効性を検証するため,既存の3つのリモートセンシング画像分類データセットに基づいてFed-RSICデータセットを構築した。
  論文  参考訳（メタデータ） (2025-01-05T07:10:27Z)
• Faster Convergence on Heterogeneous Federated Edge Learning: An Adaptive Clustered Data Sharing Approach [27.86468387141422]
  Federated Edge Learning (FEEL)は、6G Hyper-Connectivityのための分散機械学習パラダイムのパイオニアとして登場した。 現在のFEELアルゴリズムは、非独立かつ非独立に分散した(非IID)データと競合し、通信コストの上昇とモデルの精度が損なわれる。 我々はクラスタ化データ共有フレームワークを導入し、クラスタヘッドから信頼されたアソシエイトに部分的なデータを選択的に共有することで、データの均一性を緩和する。 実験により, このフレームワークは, 限られた通信環境において, 収束速度が速く, モデル精度が高い非IIDデータセット上で FEEL を促進することを示した。
  論文  参考訳（メタデータ） (2024-06-14T07:22:39Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Resource-Aware Asynchronous Online Federated Learning for Nonlinear Regression [5.194557636096977]
  非同期オンライン連合学習(ASO-Fed) 我々は、ASO-Fedに関連する通信オーバーヘッドを低減するために、部分共有ベースのコミュニケーションの原則を用いる。 非同期設定では、フェデレート勾配(Online-FedSGD)と同じ収束を達成することができる。
  論文  参考訳（メタデータ） (2021-11-27T16:41:30Z)

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。