論文の概要: EEG-Xplain: Decoding Neural Black-Boxes of EEG Foundation Models
- arxiv url: http://arxiv.org/abs/2609.15687v1
- Date: Mon, 14 Sep 2026 14:56:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.461905
- Title: EEG-Xplain: Decoding Neural Black-Boxes of EEG Foundation Models
- Title（参考訳）: EEG-Xplain: EEGファンデーションモデルのニューラルブラックボックスのデコード
- Abstract要約: BIOT、LaBraM、EEGMambaといったEEG基盤モデルは、神経信号の復号化において顕著な性能を発揮している。
異種アーキテクチャ間でEEG基盤モデルを解釈するための統合属性フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.430851504111585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: EEG foundation models such as BIOT, LaBraM, and EEGMamba have achieved remarkable performance in neural signal decoding, but their black-box nature limits clinical trust and neuroscientific validation. We propose a unified attribution framework for interpreting EEG foundation models across heterogeneous architectures. The framework integrates gradient-, perturbation-, and activation-based explanation methods to analyze model behavior in spatial, temporal, and frequency dimensions. Spatially, it identifies critical EEG channels and visualizes their distributions using topographic maps. Temporally, it highlights decision-relevant signal segments through attribution heatmaps. In the frequency domain, it quantifies the contributions of canonical EEG rhythms via spectral perturbation analysis. To assess explanation reliability, we introduce a population-level evaluation combining Area Over the Perturbation Curve (AOPC) and cross-method consistency analysis. The framework further leverages Large Language Models (LLMs) to transform structured attribution outputs into natural-language reports, bridging low-level neural representations and high-level semantic reasoning. Experiments on benchmark datasets, including Mumtaz2016 and TUAB, demonstrate that the generated explanations are consistent with established neurophysiological markers, validating meaningful neural representations while exposing potential dependencies on artifacts and spurious patterns. The proposed framework provides a standardized approach for evaluating the interpretability, reliability, and physiological plausibility of EEG foundation models.
- Abstract（参考訳）: BIOT、LaBraM、EEGMambaなどの脳波基盤モデルは、神経信号復号法において顕著な性能を発揮しているが、ブラックボックスの性質は臨床信頼と神経科学的検証を制限する。
異種アーキテクチャ間でEEG基盤モデルを解釈するための統合属性フレームワークを提案する。
このフレームワークは、勾配、摂動、およびアクティベーションに基づく説明手法を統合し、空間、時間、周波数次元のモデル行動を分析する。
空間的に重要な脳波チャンネルを特定し、地形図を用いて分布を可視化する。
時折、帰属ヒートマップを通じて決定関連信号セグメントをハイライトする。
周波数領域では、スペクトル摂動解析により標準脳波リズムの寄与を定量化する。
説明信頼性を評価するため,AOPC(Area Over the Perturbation Curve)と金属間整合解析を組み合わせた集団レベルの評価手法を提案する。
このフレームワークはさらに、Large Language Models (LLM)を活用して、構造化属性出力を自然言語レポートに変換し、低レベルのニューラル表現をブリッジし、高レベルのセマンティック推論を行う。
Mumtaz2016やTUABといったベンチマークデータセットの実験では、生成された説明は確立した神経生理学的マーカーと一致しており、有意義な神経表現を検証しつつ、人工物や刺激的なパターンへの潜在的な依存を明らかにしている。
提案フレームワークは,脳波基礎モデルの解釈可能性,信頼性,生理的妥当性を評価するための標準化されたアプローチを提供する。
関連論文リスト
- Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。
買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
論文 参考訳（メタデータ） (2026-08-25T14:20:02Z) - Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection [0.0]
本研究では,脳波による抑うつ検出のためのインセプションタイムアーキテクチャに適用した複数のポストホック説明可能性手法について検討した。
評価により,前頭葉,側頭葉,後頭葉の脳波領域に連続的に強調される部分収束帰属パターンが認められた。
以上の結果から,脳波に基づく抑うつ検出のための深層学習モデルにおいて,様々なポストホック説明可能性アプローチが部分的に重複する関連構造を捉えていることが示唆された。
論文 参考訳（メタデータ） (2026-05-27T18:32:57Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - Stringology-Based Motif Discovery from EEG Signals: an ADHD Case Study [0.0]
弦学の手法を用いて脳波時系列を解析するための新しい計算手法を提案する。
このフレームワークは順序保存マッチング(OPM)とカルテシアンツリーマッチング(CTM)に適応し、時間的モチーフを検出する。
以上の結果から,ADHD関連脳波変化は時間的パターンの系統的変化,安定性,階層的構造に影響を及ぼすことが示唆された。
論文 参考訳（メタデータ） (2026-03-03T19:44:55Z) - Neural Network-based Partial-Linear Single-Index Models for Environmental Mixtures Analysis [10.274230637691717]
ニューラルネットワークに基づく部分線形単一インデックス(NeuralPLSI)モデリングフレームワークを提案する。
NeuralPLSIは、深層学習の表現力による半パラメトリック回帰モデリングをブリッジする。
我々の貢献は、混合分析のためのスケーラブルで解釈可能で汎用的なモデリングツールとしてNeuralPLSIを確立することである。
論文 参考訳（メタデータ） (2025-12-12T14:28:47Z) - HOLE: Homological Observation of Latent Embeddings for Neural Network Interpretability [3.1865582949300837]
HOLE(Homological Observation of Latent Embeddings)は、ニューラルネットワークの永続的ホモロジーを解析・解釈する手法である。
トポロジ的特徴をニューラルアクティベーションから抽出し、サンキー図、ヒートマップ、デンドログラム、ブロブグラフなどの可視化技術を用いて提示する。
我々は、様々な識別モデルを用いて標準データセット上でHOLEを評価し、表現品質、層間の解釈可能性、入力摂動やモデル圧縮に対する堅牢性に着目した。
論文 参考訳（メタデータ） (2025-12-08T19:20:05Z) - On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。
このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。
実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
論文 参考訳（メタデータ） (2025-12-08T10:19:43Z) - WaveNet's Precision in EEG Classification [1.0885910878567457]
本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。
モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。
WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
論文 参考訳（メタデータ） (2025-10-10T09:21:21Z) - WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。
我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。
結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
論文 参考訳（メタデータ） (2025-09-26T06:21:51Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z)
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。