論文の概要: Stable Neural Decoding Across Sessions via Task-Conditioned Latent Alignment for Brain-Machine Interfaces
- arxiv url: http://arxiv.org/abs/2609.27441v1
- Date: Wed, 23 Sep 2026 07:05:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.925579
- Title: Stable Neural Decoding Across Sessions via Task-Conditioned Latent Alignment for Brain-Machine Interfaces
- Title（参考訳）: 脳・機械インタフェースのためのタスク記述型潜在アライメントによるセッション間安定なニューラルデコーディング
- Abstract要約: Task-Conditioned Latent Alignment (TCLA)は、共有潜在空間を学習することで、ニューラルデコーディングを安定化する。
複数のタスクにまたがる7つの非ヒト霊長類のデータセット上でTCLAを評価した。
- 参考スコア（独自算出の注目度）: 7.880285520933472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving stable long-term neural decoding in invasive brain-machine interfaces (BMIs) remains challenging due to variations in recorded neural populations across sessions. Current latent alignment approaches may overlook task-dependent structure during cross-session adaptation. We propose Task-Conditioned Latent Alignment (TCLA), a framework that stabilizes neural decoding by learning a shared latent space. TCLA learns a low-dimensional source representation using neural reconstruction and continuous behavioral supervision. During target-session adaptation, the shared representation is fixed, while target neural activity is mapped into the source latent space by aligning source and target distributions separately for each task condition. We evaluated TCLA on seven nonhuman primate datasets spanning multiple tasks. In long-term cross-session evaluation, TCLA achieved a mean $R^2$ of $0.476\pm0.014$ with a negative $R^2$ failure rate of only 6.8\%. Across 1,356 within-subject session pairs, TCLA achieved a mean $R^2$ of $0.371\pm0.009$ with a failure rate of 6.8\%. Across 2,134 cross-subject session pairs, TCLA achieved a mean $R^2$ of $0.218\pm0.004$ with a failure rate of 12.9\%, substantially better than those of the comparison methods. These results demonstrate that by preserving behaviorally relevant and task-dependent latent structure, TCLA improves the robustness of neural decoding across recording sessions and subjects. The source code is publicly available at \href{https://github.com/FAMD-CASIA/TCLA}{https://github.com/FAMD-CASIA/TCLA}.
- Abstract（参考訳）: 侵襲的脳-機械インタフェース(BMI)における安定した長期神経復号化は、セッション間で記録された神経集団の変化のため、依然として困難である。
現在の潜在アライメントアプローチは、クロスセッション適応中にタスク依存構造を見落としてしまう可能性がある。
本稿では,共有潜在空間を学習することで,ニューラルデコーディングを安定化するフレームワークであるタスクコンディション付き潜時アライメント(TCLA)を提案する。
TCLAは、神経再構成と継続的な行動監視を用いて、低次元のソース表現を学習する。
目標セッション適応中は、共有表現が固定され、各タスク条件ごとにソースとターゲット分布を個別に調整することにより、目標神経活動がソース潜在空間にマッピングされる。
複数のタスクにまたがる7つの非ヒト霊長類のデータセット上でTCLAを評価した。
長期のクロスセッション評価では、TCLAは平均$R^2$$0.476\pm0.014$で、負の$R^2$失敗率はわずか6.8\%であった。
TCLAは1,356回のセッションで平均$R^2$$0.371\pm0.009$を達成し、失敗率は6.8\%となった。
2,134回のクロスオブジェクトセッションペアで、TCLAは平均$R^2$$0.218\pm0.004$を達成し、失敗率は12.9\%であり、比較手法よりもかなり良い。
これらの結果は, 行動関連およびタスク依存の潜伏構造を保存することにより, 記録セッションや被験者間での神経復号の堅牢性を向上させることを示す。
ソースコードは \href{https://github.com/FAMD-CASIA/TCLA}{https://github.com/FAMD-CASIA/TCLA} で公開されている。
関連論文リスト
- Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning [2.9958775201873205]
CNN--LSTMデコーダ(CNN--LSTM--RL)の出力に強化学習(RL)を適用した2段階デコーダを提案する。
RLエージェントは、直接のEEG入力なしでオフラインで訓練され、代わりに予測された運動軌跡を操作して、目標軌跡に対する運動精度を最適化する。
これらの結果は、このスケーラブルなフレームワークは、追加の神経データなしでオフライン残差RLによるキネマティックエラーを補正し、神経リハビリテーション、補綴、仮想相互作用を前進させることにより、3D BCI MIデコーディングを強化することを示している。
論文 参考訳（メタデータ） (2026-07-13T13:15:18Z) - A High-Accuracy Optical Music Recognition Method Based on Bottleneck Residual Convolutions [0.036971941442545786]
光音楽認識は、印刷または手書きの楽譜画像を編集可能な記号表現に変換することを目的としている。
本稿では、残差ボトルネック畳み込みと双方向ゲート再帰ユニット(BiGRU)に基づくシーケンスモデリングを組み合わせたエンドツーエンドのOMRフレームワークを提案する。
Camera-PrIMuSとPrIMuSデータセットの実験結果から,提案フレームワークの有効性が示された。
論文 参考訳（メタデータ） (2026-04-07T14:32:16Z) - Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。
NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、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） (2026-03-27T11:34:41Z) - Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment [7.880285520933472]
埋め込んだ電極によって記録された神経活動における断続的非定常性は、侵入的な脳-コンピュータインターフェースにとって大きな課題である。
本稿では,クロスセッション型ニューラルデコーディングのためのタスク定義ラテントアライメントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-27T11:06:33Z) - EDIT: Early Diffusion Inference Termination for dLLMs Based on Dynamics of Training Gradients [6.736735746633275]
拡散に基づく大規模言語モデル (dLLMs) は反復的妄想を通じてトークン生成を洗練させるが、全てのステップが完了する前に答えは安定することが多い。
本稿では,トレーニング時推論に対する十分な推論安定性が検出された場合に,適応的にデノイングを停止する推論時基準であるEDITを提案する。
論文 参考訳（メタデータ） (2025-11-29T23:47:47Z) - Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - Learning Contextual Bandits Through Perturbed Rewards [107.6210145983805]
標準正規性条件下では、$tildeO(tildedsqrtT)$ regret上界が達成可能であることを示す。
明示的な探索の必要性を排除するために、ニューラルネットワークを更新する際の報酬を混乱させます。
論文 参考訳（メタデータ） (2022-01-24T19:10:22Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - Automatic sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳（メタデータ） (2020-08-21T10:48:35Z) - Device-Robust Acoustic Scene Classification Based on Two-Stage
Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。
タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。
Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文 参考訳（メタデータ） (2020-07-16T15:07:14Z) - Multiple-Instance, Cascaded Classification for Keyword Spotting in Narrow-Band Audio [0.4793481003355277]
狭帯域(NB)におけるキーワードスポッティング(KWS)タスクにカスケード分類器を用い,非IID環境で取得した8kHzのオーディオを提案する。
本稿では,Deep Neural Networks (DNN), Cascading, multiple-feature representations, multiple-instance learningを組み込んだモデルを提案する。
KWSシステムは、時間ごとの偽陽性率0.75で6%の偽陰率を達成する。
論文 参考訳（メタデータ） (2017-11-21T21:42:17Z)
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。