論文の概要: Benchmarking EEG Foundation Models at Scale: Lessons from 20,000 Evaluations

• arxiv url: http://arxiv.org/abs/2609.32743v1
• Date: Sat, 26 Sep 2026 16:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:46:17.699903
• Title: Benchmarking EEG Foundation Models at Scale: Lessons from 20,000 Evaluations
• Title（参考訳）: 大規模脳波基礎モデルのベンチマーク:2万の評価から学んだこと
• Abstract要約: 脳波基礎モデル(FM)は伝達可能な神経表現を約束する。 EEG-Arenaはオープンソースのベンチマークで、30のEEG FMと25の教師付きベースラインをカバーする。
• 参考スコア（独自算出の注目度）: 28.519038634769657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) foundation models (FMs) promise transferable neural representations, yet their advantages over strong supervised baselines and their prospects for further scaling remain unclear. To address these questions, we introduce EEG-Arena, an open-source benchmark covering 30 EEG FMs and 25 supervised baselines evaluated on 57 downstream tasks from 23 public datasets. Through more than 20,000 evaluations across five experimental protocols, we assess downstream performance, pretraining benefits, model size scaling, pretraining data scaling, and robustness to channel configuration. We find that (1) EEG FMs outperform strong task-specific supervised baselines on most evaluated tasks, particularly under non-bipolar settings; (2) compared with architecture-matched supervised training from scratch, pretraining improves both early optimization and final downstream performance, with larger and more consistent gains as more labeled downstream data become available; (3) existing EEG FMs do not exhibit a consistent positive relationship between parameter count and downstream performance; (4) under a fixed architecture, increasing the pretraining data scale yields sustained downstream gains; and (5) channel-flexible FMs achieve higher absolute performance than channel-constrained models across most evaluated channel configurations. Together, these findings demonstrate the downstream value of EEG FMs and identify pretraining data expansion as a promising direction for further progress. To support continued research, we release EEG-Arena as an open-source evaluation framework that provides shared infrastructure for reproducible benchmarking, model comparison, and community-driven development.
• Abstract（参考訳）: 脳波基礎モデル(EEG)は、伝達可能な神経表現を約束するが、強い教師付きベースラインよりも優位であり、さらなるスケーリングの見通しははっきりしない。 これらの問題に対処するために、30のEEG FMと25の教師付きベースラインをカバーするオープンソースのベンチマークであるEEG-Arenaを紹介します。 5つの実験プロトコルにわたる20,000以上の評価を通じて、ダウンストリームのパフォーマンス、事前トレーニングのメリット、モデルサイズスケーリング、事前トレーニングデータスケーリング、チャンネル構成に対する堅牢性を評価します。 その結果,(1)脳波 FM は,特に非双極性条件下では強いタスク特異的なベースラインを上回り,(2) アーキテクチャに適合した教師付きトレーニングをスクラッチから比較すると,早期最適化と最終ダウンストリーム性能が向上し,ラベル付きダウンストリームデータが利用可能になるにつれて,より一貫した利得が得られること,(3) 既存の脳波 FM はパラメータカウントとダウンストリーム性能の間に一貫した正の相関を示さないこと,(4) 固定アーキテクチャでは,事前学習データスケールの増加は下流の利得を持続すること,(5) チャネルフレキシブルな FM はチャネル制約モデルよりも高い絶対的な性能を実現することが判明した。 これらとともに、脳波FMの下流値を示し、事前学習データ拡張をさらなる進展の有望な方向として同定した。 継続的な研究を支援するため、再現可能なベンチマーク、モデル比較、コミュニティ主導の開発のための共有インフラストラクチャを提供するオープンソースの評価フレームワークであるEEG-Arenaをリリースする。

関連論文リスト

• iMINDBench: iEEG Multi-Institution Neural Decoding Benchmark [18.034558667657695]
  頭蓋内脳波(iEEG)は、ヒト脳内の電極から直接電気活動を記録するために広く用いられている。 iEEG Multi-Institution Neural Decoding Benchmark である iMINDBench を紹介する。 iMINDBenchを用いて、評価された事前学習システムは、各前処理トラックのベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-09-16T04:13:12Z)
• On Improving Graph Neural Networks for QSAR by Pre-training on Extended-Connectivity Fingerprints [2.551259788071467]
  本稿では,QSARのGNNを事前学習して拡張接続フィンガープリントを予測するための一般的な戦略について報告する。 ECFP事前学習GNNを用いた場合, 評価ベースライン全体の標準性能指標の統計的に有意な改善が見られた。 よりヘテロジニアスなデータセットと、バインディング親和性予測のようなより複雑なエンドポイントでは、OOD設定では未処理のトレーニング済みのGNNが実行されます。
  論文  参考訳（メタデータ） (2026-05-11T15:30:52Z)
• EMGFlow: Robust and Efficient Surface Electromyography Synthesis via Flow Matching [3.4728825864079877]
  深層学習に基づく表面筋電図(SEMG)のジェスチャー認識は、データ不足と限られた対象の多様性によってしばしばボトルネックとなる。 このギャップを埋めるために,条件付きsEMG生成フレームワークであるEMGFlowを提案する。 我々の知る限りでは、sEMG領域におけるフローマッチング(FM)と連続時間生成モデリングの適用性を調べる最初の研究である。
  論文  参考訳（メタデータ） (2026-04-15T10:07:29Z)
• EEG Foundation Models: Progresses, Benchmarking, and Open Problems [10.447009984769819]
  我々は、50の代表的なEEG基盤モデルをレビューし、その設計選択を統合された分類学的枠組みにまとめる。 9つのBCIパラダイムにまたがる13のEEGデータセットに対して、12のオープンソースファンデーションモデルと、競合するスペシャリストベースラインを評価します。
  論文  参考訳（メタデータ） (2026-01-25T15:28:50Z)
• EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation of EEG Foundation Models [16.433809341013113]
  EEG-FM-BenchはEEG基盤モデル(EEG-FMs)の体系的および標準化された評価のための最初の総合的なベンチマークである コントリビューションは,(1)標準のEEGパラダイムからさまざまなダウンストリームタスクとデータセットをキュレートし,統一されたオープンソースフレームワーク内で標準化された処理と評価プロトコルを実装し,(2)最先端の基盤モデルをベンチマークして,現在の展望を明確化するために総合的なベースライン結果を確立すること,(3)モデル行動の洞察を提供するための質的分析を行い,将来のアーキテクチャ設計を通知すること,の3つです。
  論文  参考訳（メタデータ） (2025-08-25T07:34:33Z)
• ReasonFlux-PRM: Trajectory-Aware PRMs for Long Chain-of-Thought Reasoning in LLMs [75.72672339168092]
  本稿では,新しいトラジェクトリ対応PRMであるReasonFlux-PRMを紹介し,トラジェクトリ応答型推論トレースの評価を行う。 ReasonFlux-PRMはステップレベルとトラジェクトリレベルの両方の監視機能を備えており、構造化された連鎖データと整合した微粒な報酬割り当てを可能にする。 得られたReasonFlux-PRM-7Bは、教師付き微調整で平均12.1%、強化学習で4.5%、テスト時間スケーリングで6.3%向上した。
  論文  参考訳（メタデータ） (2025-06-23T17:59:02Z)
• SeisMoLLM: Advancing Seismic Monitoring via Cross-modal Transfer with Pre-trained Large Language Model [63.723408707172894]
  本研究は,地震モニタリングにクロスモーダル転送を利用する最初の基礎モデルであるSeesMoLLMを提示する。 5つの重要なタスクでDiTingとSTEADデータセットの最先端のパフォーマンスを実現する。 優れたパフォーマンスに加えて、SeesMoLLMはトレーニングと推論の両方において軽量モデルに匹敵する効率を維持している。
  論文  参考訳（メタデータ） (2025-02-27T10:35:53Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• An Empirical Study on Distribution Shift Robustness From the Perspective of Pre-Training and Data Augmentation [91.62129090006745]
  本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。 我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2022-05-25T13:04:53Z)

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。