論文の概要: Matched-Input Estimates Differ in Sign Across Architectures: Auditing EEG Foundation Models on Motor Imagery

• arxiv url: http://arxiv.org/abs/2609.23924v1
• Date: Sun, 20 Sep 2026 22:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.01954
• Title: Matched-Input Estimates Differ in Sign Across Architectures: Auditing EEG Foundation Models on Motor Imagery
• Title（参考訳）: サインアクロスアーキテクチャにおける一致入力推定値の差:運動画像における脳波基礎モデルの検討
• Abstract要約: 一つのコンパレータは、事前訓練された逆ロックされた性能ギャップのアーキテクチャ不変な分解を提供しないことを示す。 検証に適合した温度スケーリングは、4級精度がかなり低いにもかかわらず、基礎モデルキャリブレーション誤差を教師付き範囲に戻す。
• 参考スコア（独自算出の注目度）: 0.7549586428872126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained EEG foundation models are increasingly proposed as general-purpose encoders for brain-computer interfaces, yet recent benchmarks disagree about when their representations transfer to downstream tasks. We audit LaBraM and CBraMod on motor imagery under a validation-locked protocol in which preprocessing, architecture, optimization, freeze depth, checkpoint, temperature, and method selection are determined using training-session data only. On four-class BCI Competition IV-2a, every supervised comparator evaluated here outperforms every foundation-model configuration, including validation-selected fine-tuning. We then examine a key confound: foundation models and task-specific decoders are normally evaluated using different input pipelines. Retraining three supervised architectures on the broadband arrays consumed by the foundation models produces matched-input accuracy differences of opposite sign across architectures: broadband input improves ATCNet by 0.078 accuracy while reducing EEG Conformer accuracy by 0.088. None of the three individual matched-input terms is significant after multiple-comparison correction at n = 9, so we treat the sign variation descriptively rather than as a formal architecture-by-pipeline interaction. These observed sign differences suggest that a single comparator may not provide an architecture-invariant decomposition of a pretrained-versus-supervised performance gap. The four-class deficit also does not reproduce uniformly across motor-imagery datasets: on two-class BNCI2014-004 we cannot detect the same separation between fine-tuned CBraMod and the supervised comparators. Finally, validation-fitted temperature scaling returns foundation-model calibration error to the supervised range despite substantially lower four-class accuracy.
• Abstract（参考訳）: 脳-コンピュータインタフェースのための汎用エンコーダとして、事前訓練された脳波基礎モデルがますます提案されているが、最近のベンチマークでは、その表現が下流タスクに転送される時期について意見が一致していない。 我々は,事前処理,アーキテクチャ,最適化,凍結深さ,チェックポイント,温度,メソッド選択をトレーニングセッションデータのみを用いて決定する検証ロック付きプロトコルの下で,運動画像上でのLaBraMとCBraModを監査する。 4クラスのBCIコンペティションIV-2aでは、すべての教師付きコンパレータが、バリデーション選択された微調整を含むすべてのファンデーションモデル構成より優れています。 基礎モデルとタスク固有のデコーダは、通常、異なる入力パイプラインを使用して評価される。 基礎モデルによって消費されるブロードバンドアレイ上の3つの教師付きアーキテクチャをトレーニングすると、反対の符号の一致した入力精度の違いが生じる: ブロードバンド入力は、EEGコンフォーマーの精度を0.088に低減し、ATCNetを0.078精度で改善する。 n = 9 での多重比較補正の後、3つの一致した入力項のいずれも重要なものではないので、正式なアーキテクチャ・バイ・ピペリン相互作用としてではなく、記述的に符号の変動を扱う。 これらの観測された符号差は、単一のコンパレータが事前訓練された逆制御された性能ギャップのアーキテクチャ不変な分解を提供していないことを示唆している。 BNCI2014-004では、細調整されたCBraModと教師付きコンパレータの同じ分離を検出できない。 最後に、検証に適合した温度スケーリングは、4級精度がかなり低いにもかかわらず、基礎モデル校正誤差を教師付き範囲に戻す。

関連論文リスト

• Verification-Aware Training for Speculative Decoding [57.84976863792784]
  VAT(Verification-Aware Training)は、トレーニングステップ毎に検証をシミュレートし、その結果の受け入れパターンと拒否パターンを監督するプラグインフレームワークである。 VATはトレーニング対象のみを変更するため、ドラフトアーキテクチャやターゲットモデル、推論手順を変更することなく、既存のメソッドの上にレイヤー化することができる。 VATは平均受理期間を最大11.4%改善し、ウォールクロックのスピードアップを最大8.7%向上させ、数学、コード、チャットベンチマークで一貫した利益を得ている。
  論文  参考訳（メタデータ） (2026-08-31T01:42:10Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks [0.0]
  本研究では、このギャップを象徴的推論から神経知覚を分離することで橋渡しするモジュラーでファジィな規則に基づくニューロシンボリック・フレームワークを導入する。 推論のために、DT、特にウェカのJ48アルゴリズムは、接地規則のCODEと重度ラベルに基づいて訓練され、その経路は19の固定IF-THENルールに変換される。 全体として、このフレームワークは、競合するクラスバランスのパフォーマンスと予測されたCODE学位からのトレース可能な推論を組み合わせることで、ルールサポートと重大さのエビデンスを実現している。
  論文  参考訳（メタデータ） (2026-07-30T16:33:26Z)
• Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry [0.0]
  本稿では,9つのセンサランナープロファイルを1つのスカラー性能指標である潜時スコアに圧縮する能力について,次元縮小モデル,3種類のオートエンコーダ,PCA,変分オートエンコーダについて検討する。
  論文  参考訳（メタデータ） (2026-06-26T14:41:24Z)
• Speculative Refinement: A Hybrid Autoregressive Diffusion Decoding Strategy and Its Behavior Across Benchmarks [1.9800951131982487]
  我々はSpecRef(Speculative Refinement)を用いて、ARドラフトからマスク付き拡散言語モデルをウォームスタートする。 We evaluate SpecRef across six benchmarks (HumanEval, MBPP, GSM8K, BBH, ARC-Challenge, HellaSwag) with three distinct evaluation protocol。 これらの観察は、多段階または非自己回帰生成パイプラインに適用され、より診断評価の実践に向けて向けられる。
  論文  参考訳（メタデータ） (2026-06-25T18:52:24Z)
• Position: Coding Benchmarks Are Misaligned with Agentic Software Engineering [0.4509560087514856]
  コーディングエージェントは、ソフトウェアエンジニアリングの主要なモードになっていますが、比較に使用するベンチマークは、前エージェント時代に設計されました。 現在のコーディングベンチマークはエージェント型ソフトウェアエンジニアリングと不一致である、と私たちは主張する。
  論文  参考訳（メタデータ） (2026-06-16T11:21:01Z)
• Coordination as an Architectural Layer for LLM-Based Multi-Agent Systems [0.0]
  マルチエージェントLLMシステムは41%から87%の速度で生産に失敗する。 コーディネーションは、エージェントロジックと情報アクセスから分離可能なアーキテクチャ層として扱われるべきである、と我々は主張する。 我々はこれを予測市場における情報制御設計でインスタンス化する。
  論文  参考訳（メタデータ） (2026-05-05T02:56:44Z)
• MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale [92.09717763663873]
  我々は、データエンジニアリングとトレーニング戦略設計を通じて、純粋に最先端の技術を進化させるMinerU2.5-Proを提案する。 コアとなるのは、カバレッジ、情報性、アノテーションの正確性を中心に設計されたData Engineだ。 我々は,MinerU2.5-Pro が OmniDocBench v1.6 上で 95.69 を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-06T15:44:18Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Pretraining Without Attention [114.99187017618408]
  本研究では、状態空間モデル(SSM)に基づくシーケンスルーティングの最近の進歩を利用して、注意を払わずに事前学習を探索する。 BiGS は GLUE 上で BERT の事前トレーニング精度と一致し、近似なしで 4096 トークンの長期事前トレーニングに拡張できる。
  論文  参考訳（メタデータ） (2022-12-20T18:50:08Z)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)

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。