論文の概要: When More Is Not Better: Component Anti-Synergy in a P300 Speller

• arxiv url: http://arxiv.org/abs/2609.10961v1
• Date: Thu, 10 Sep 2026 01:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.175333
• Title: When More Is Not Better: Component Anti-Synergy in a P300 Speller
• Title（参考訳）: P300スパラーのコンポーネント・アンチ・サイナジー(動画あり)
• Abstract要約: 脳-コンピュータインターフェース(BCI)スペルは、重度運動障害のある人に対してハンズフリーなコミュニケーションを提供することができる。 現代のパイプラインは、複数の個別に有望なコンポーネントを組み合わせる。 この仮定は、Euclidean Alignment (EA), xDAWN filtering, subject calibration, and language model press on a public P300 data。
• 参考スコア（独自算出の注目度）: 3.0807543802925874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: P300 brain-computer interface (BCI) spellers can provide hands-free communication for people with severe motor impairments. Modern pipelines combine multiple individually promising components, often assuming that 'more-is-better'. We tested this assumption using a four-component full-factorial experiment varying the inclusion of Euclidean Alignment (EA), xDAWN spatial filtering, subject calibration, and language model priors on a public P300 dataset. Performance was evaluated using accuracy, repetitions, and information transfer rate (ITR) with mixed-effects models. Results show that the value of components is conditional rather than additive. Calibration was the strongest singular contributor, while EA compensated for its absence in zero-calibration settings. Adding independently useful components could also reduce performance, revealing component anti-synergy. Contrary to conventional wisdom, LM support was not universally beneficial: its effect depends strongly on the strength of the underlying EEG pipeline, while results from a larger LM showed a similar pattern. Together, these findings challenge maximal 'all-on' pipeline design and highlight the value of selecting spatial and language-support components according to the quality of available EEG evidence.
• Abstract（参考訳）: P300脳-コンピュータインタフェース(BCI)は、重度運動障害のある人に対してハンズフリーのコミュニケーションを提供する。 現代のパイプラインは、複数の個別に有望なコンポーネントを組み合わせる。 この仮定は、Euclidean Alignment (EA)、xDAWN空間フィルタリング、被検体キャリブレーション、およびP300データセット上の言語モデルを含む4成分フルファクター実験を用いて検証した。 混合効果モデルを用いて, 精度, 繰り返し, 情報伝達率(ITR)を用いて評価した。 結果は、成分の値が添加物ではなく条件付きであることを示しています。 キャリブレーションは最も強い特異な貢献者であり、EAはゼロキャリブレーション設定の欠如を補った。 独立して有用なコンポーネントを追加することで、パフォーマンスが低下し、コンポーネントのアンチシネギーが明らかになる。 従来の知恵とは対照的に、LMの支持は、基礎となるEEGパイプラインの強度に強く依存するが、より大きなLMの結果も同様のパターンを示した。 これらの知見を合わせて,最大'オールオン'パイプライン設計に挑戦し,利用可能なEEG証拠の品質に応じて,空間的および言語支援コンポーネントを選択することの価値を強調した。

関連論文リスト

• The Curse of Multiple Mediators: Hidden Interaction Effects in Activation Patching [28.393865595242872]
  アクティベーションパッチ(Activation patching)は、機械的解釈可能性の主要なツールである。 モデル行動の因果責任は、その自然な間接効果を見積もることによって、個々のコンポーネントに比例する。 また、コンポーネントの因果効果自体がモデル内の他のコンポーネントの状態に依存するかを測定する相互作用効果(INT)も含む。
  論文  参考訳（メタデータ） (2026-06-25T19:52:16Z)
• When Sensing Varies with Contexts: Context-as-Transform for Tactile Few-Shot Class-Incremental Learning [74.84708088848693]
  上記の問題に対処するために、Context-as-Transform FSCIL (CaT-FSCIL)を提案する。 取得コンテキストを構造化された低次元成分と高次元残留成分に分解する。 HapTex と LMT108 のベンチマークに関する総合的な実験は、提案した CaT-FSCIL の優位性を実証している。
  論文  参考訳（メタデータ） (2026-03-26T07:42:09Z)
• EEG-D3: A Solution to the Hidden Overfitting Problem of Deep Learning Models [33.22173262655432]
  本稿では,脳波データセット間でのディープラーニングモデルをトレーニングする弱い教師付き手法であるDisentangled Decoding Decomposition (D3)を紹介する。 入力ウィンドウがサンプリングされた各トライアルシーケンスの場所を予測することで、EEG-D3は脳活動の潜伏成分を分離する。 我々は、線形分離可能な潜伏空間を利用して、睡眠段階分類における効果的な数ショット学習を行う。
  論文  参考訳（メタデータ） (2025-12-15T19:00:10Z)
• AIR: A Systematic Analysis of Annotations, Instructions, and Response Pairs in Preference Dataset [89.37514696019484]
  嗜好学習は、大きな言語モデルと人間の価値の整合に不可欠である。 私たちの作業は、好みのデータセット設計をアドホックなスケーリングからコンポーネント対応の最適化にシフトします。
  論文  参考訳（メタデータ） (2025-04-04T17:33:07Z)
• Optimizing Singular Spectrum for Large Language Model Compression [95.7621116637755]
  SVDの分解したコンポーネントをデータ駆動で再スケールする新しい圧縮フレームワークであるSoCoを紹介する。 学習可能な特異スペクトルのおかげで、SoCoは重要度スコアに応じて成分を適応的にプーンする。 複数のLLMおよびベンチマークでの実験的な評価は、SoCoがモデル圧縮における最先端の手法を超越していることを示している。
  論文  参考訳（メタデータ） (2025-02-20T23:18:39Z)
• SimCE: Simplifying Cross-Entropy Loss for Collaborative Filtering [47.81610130269399]
  SSM(Sampred Softmax Cross-Entropy)を提案する。 また,上界を用いてSSMを単純化するアンダーラインSimplified Sampled Softmax underlineCross-underlineEntropy Loss (SimCE)を導入する。 MFとLightGCNの両方のバックボーンを使用して、12のベンチマークデータセットに対する検証を行ったところ、SimCEはBPRとSSMの両方で大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-23T17:24:07Z)
• A Systematic Evaluation of Euclidean Alignment with Deep Learning for EEG Decoding [1.8962934131747162]
  ユークリッドアライメント(EA)は、使いやすさ、計算の複雑さの低さ、ディープラーニングモデルとの互換性のために人気を集めている。 EAは対象物のデコーディングを4.33%改善し、収束時間を70%以上短縮する。
  論文  参考訳（メタデータ） (2024-01-19T15:13:30Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)

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。