Fugu-MT 論文翻訳(概要): Pretraining for Sample-Efficient Neural Interfaces

論文の概要: Pretraining for Sample-Efficient Neural Interfaces

arxiv url: http://arxiv.org/abs/2609.13507v1
Date: Fri, 11 Sep 2026 20:12:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.369265
Title: Pretraining for Sample-Efficient Neural Interfaces
Title（参考訳）: サンプル効率の良いニューラルネットワークの事前学習
Abstract要約: 自己教師付き事前トレーニングは異種iEEG記録をまたいでスケールし、新しい被験者の正確な復号に必要なラベル付きデータを削減できる。我々は,2つの空間エンコーディング,解剖学的領域埋め込み,相対的位置エンコーディングを備えたバニラマスク型オートエンコーダMAPAを提案する。
参考スコア（独自算出の注目度）: 0.0509780930114934
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Brain-computer interfaces (BCIs) decode neural activity to restore lost function. Typically, training a high-performance neural decoder requires a large labeled dataset to be collected from every new subject. One way to reduce the labeled data cost is self-supervised pretraining, which learns general neural representations from unlabeled recordings that accumulate across subjects. However, for intracranial electroencephalography (iEEG) recordings, self-supervised learning has been challenging due to differences in contact placement and neuroanatomy between subjects. We propose MAPA, an otherwise vanilla masked autoencoder with two spatial encodings, an anatomical region embedding and a relative positional encoding, which together enable it to learn neural representations that transfer to unseen subjects and across various tasks. MAPA sets a new state of the art across all three regimes of the Neuroprobe benchmark without fine-tuning: within-session, cross-session, and cross-subject. In the cross-subject regime, a linear probe on MAPA's features needs only ${\sim}164$ labeled trials to reach the accuracy that takes 3,500 without pretraining. Our results show that self-supervised pretraining can scale across heterogeneous iEEG recordings and reduce the labeled data needed for accurate decoding in new subjects.
Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、失われた機能を回復するために神経活動をデコードする。一般的に、高性能なニューラルデコーダをトレーニングするには、新しいテーマごとに大きなラベル付きデータセットを収集する必要がある。ラベル付きデータコストを削減する方法の1つは、被検体全体に蓄積されたラベルなし記録から一般的な神経表現を学ぶ自己教師付き事前訓練である。しかし、頭蓋内脳波記録(iEEG)では、被験者間の接触配置や神経解剖の違いにより、自己指導学習が困難である。我々は,2つの空間エンコーディング,解剖学的領域埋め込み,相対的位置エンコーディングを備えた,それ以外はバニラマスク付きオートエンコーダであるMAPAを提案する。 MAPAは、Nuroprobeベンチマークの3つのレギュレーションに対して、内部セッション、クロスセッション、クロスオブジェクトを微調整することなく、新たな最先端を新たに設定する。クロスオブジェクトシステムでは、MAPAの機能に関する線形プローブは、事前トレーニングなしで3500ドルの精度に達するために、わずか${\sim}164$のラベル付きトライアルしか必要としない。以上の結果から, 自己指導型事前学習は異種iEEG記録にまたがって拡張可能であり, 新しい被験者の正確な復号化に必要なラベル付きデータを削減することができることがわかった。

関連論文リスト

UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
論文参考訳（メタデータ） (2026-04-30T06:30:24Z)
Neural decoding from stereotactic EEG: accounting for electrode variability across subjects [21.28778005847666]
本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
論文参考訳（メタデータ） (2024-11-01T17:58:01Z)
Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文参考訳（メタデータ） (2024-06-20T11:26:32Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文参考訳（メタデータ） (2023-11-02T08:26:29Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
論文参考訳（メタデータ） (2022-04-20T16:48:18Z)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文参考訳（メタデータ） (2021-12-02T12:45:46Z)
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文参考訳（メタデータ） (2021-10-13T21:51:56Z)

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。