論文の概要: Adaptive Forgetting for Nonstationary Optimization: Towards Robust EEG Decoding

• arxiv url: http://arxiv.org/abs/2609.24233v1
• Date: Mon, 21 Sep 2026 07:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.204017
• Title: Adaptive Forgetting for Nonstationary Optimization: Towards Robust EEG Decoding
• Title（参考訳）: 非定常最適化のための適応的ホープッティング:ロバスト脳波デコーディングを目指して
• Abstract要約: クロスオブジェクトの一般化は、実際的な応用において依然として中心的な課題である。 EEGデコーダは通常、固定された第2モーメント崩壊係数の下でAdam/AdamWで訓練される。 AFORは、固定勾配モーメント減衰係数を局所状態からオンラインの動的係数に変換することで、これらの問題に対処する。
• 参考スコア（独自算出の注目度）: 11.845784831344567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) provides non-invasive monitoring of brain activity and is widely used in emotion recognition, motor imagery and sleep staging. Although within-subject decoding has achieved considerable progress, cross-subject generalization remains a central challenge in practical applications. EEG decoders are typically trained with Adam/AdamW under a fixed second-moment decay coefficient, even though cross-subject learning involves low signal-to-noise ratios, subject variability, and gradient nonstationarity. A fixed coefficient implicitly assumes that gradient statistics are homogeneous across layers and time, which can limit model's adaptability to cross-subject EEG signals and degrade generalization. To address these issues, we propose AFOR, a tensor-wise adaptive optimizer that converts the fixed second-moment decay coefficient into a dynamic coefficient estimated online from local gradient state. AFOR combines a Residual-Alignment Signal Scorer (RASS) and an Adaptive Forgetting Controller (AFC). RASS summarizes local gradient residuals and directional agreement into a signal-quality score, and AFC maps this score through self-referential normalization to a bounded per-step decay coefficient, with cumulative-product initialization correction maintaining consistency under time-varying decay. Under a strict cross-subject protocol on three EEG benchmarks that cover three representative fields, AFOR achieves the best average performance among the compared optimizers, improving the mean test accuracy over Adam by 3.00%, 2.07%, and 4.38%, respectively.
• Abstract（参考訳）: 脳波検査(EEG)は、脳活動の非侵襲的なモニタリングを提供し、感情認識、運動画像、睡眠ステージングに広く用いられている。 オブジェクト内デコードはかなり進歩しているが、クロスオブジェクトの一般化は実際的な応用において中心的な課題である。 EEGデコーダは、低信号対雑音比、対象変数、勾配非定常性を含むクロスオブジェクト学習であっても、固定された第二モーメント減衰係数の下でAdam/AdamWで訓練される。 固定係数は、勾配統計が層や時間にわたって均質であると暗黙的に仮定し、モデルがEEG信号をクロスサブジェクトし一般化を低下させる可能性を制限することができる。 これらの問題に対処するために,固定第2モーメント減衰係数を局所勾配状態から推定した動的係数に変換するテンソルワイド適応最適化器 AFOR を提案する。 AFORはResidual-Alignment Signal Scorer (RASS)とAdaptive Forgetting Controller (AFC)を組み合わせている。 RASSは局所的な勾配残差と方向の一致を信号品質スコアに要約し、AFCはこのスコアを自己参照正規化を通して有界なステップごとの崩壊係数にマッピングし、累積積初期化補正を時間変動崩壊下での整合性を維持する。 3つの代表フィールドをカバーする3つのEEGベンチマーク上の厳密なクロスオブジェクトプロトコルの下で、AFORは比較したオプティマイザの中で最高の平均性能を達成し、それぞれAdamに対する平均テスト精度を3.00%、2.07%、 4.38%改善した。

関連論文リスト

• ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
  EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。 既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。 本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
  論文  参考訳（メタデータ） (2026-09-04T12:48:25Z)
• Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation [13.893263438236106]
  既存のフローベースのアプローチでは、サンプル内のすべてのチャンネルと時間セグメントが単一のグローバルな時間進行を共有すると仮定する。 条件付きフローマッチングに基づく適応型脳波生成フレームワークを提案する。 我々のフレームワークは一貫して最強のベースラインを上回り、TS-FIDを最大62.2%削減し、下流の分類精度を最大6.77ポイント向上させる。
  論文  参考訳（メタデータ） (2026-07-25T00:15:14Z)
• ALCL: An Adaptive Log-Correntropy Loss for Robust Learning under Non-Gaussian Noise [0.4078247440919472]
  本稿では,適応型対数コレントロピー損失(ALCL)を提案し,最適化中のロバストネスの幾何を適応的に学習する。 ALCLはMSEを一貫して上回り、再構成忠実度と下流分類精度の両方において最適にコレントロピー損失を一般化する。 これらの結果は,非ガウス環境下での学習における静的コレントロピーに基づく損失に対して,損失パラメータの連成学習による適応的ロバスト性は,計算的に効率的であることを示す。
  論文  参考訳（メタデータ） (2026-06-14T22:49:57Z)
• CAdam: Context-Adaptive Moment Estimation for 3D Gaussian Densification in Generative Distillation [3.4998703934432682]
  密度ジレンマを解くために、文脈適応モーメント推定(CAdam)を導入する。 Cadamは、標準密度と比較してガウスの数を85%から97%削減し、全体的な同等の品質を保っている。 これらの結果から, 信号認識密度制御は, 最適化に基づく生成蒸留におけるメモリ効率の向上に有効であることがわかった。
  論文  参考訳（メタデータ） (2026-05-20T08:08:39Z)
• Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
  We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。 FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。 我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-30T11:37:46Z)
• Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining [10.091031517157411]
  TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。 多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。 TopoOTは2Dおよび3D異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-28T07:49:28Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)

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。