論文の概要: Neuron-Level Architecture Growth: A Controlled Evaluation for EEG Time-Series Decoding

• arxiv url: http://arxiv.org/abs/2609.33880v1
• Date: Sun, 27 Sep 2026 19:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:02:13.010157
• Title: Neuron-Level Architecture Growth: A Controlled Evaluation for EEG Time-Series Decoding
• Title（参考訳）: ニューロンレベルアーキテクチャ成長:脳波時系列デコードのための制御された評価
• Abstract要約: 畳み込みEEGデコーダは固定幅で訓練され、通常は著者が他のデータで設定する。 我々は、12の運動画像データセット上に3つの畳み込みバックボーンを3つのプロトコルで成長させ、各被験者の基準モデルと比較した。 増加傾向にあるShallowFBCSPNetは基準モデルより2.9ポイント高く、パラメータの半分(0.57x)しかなく、SCCNetは1.2ポイント以上変化している。 Deep4Net成長モデルは精度が低いが、結果を忠実に比較できないように適応する必要がある。
• 参考スコア（独自算出の注目度）: 2.9557593766244885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional EEG decoders are trained at a fixed width, usually set by their authors on other data. Growing methods add neurons during training where the loss could decrease the most, but whether they improve compared to a reference width is untested on EEG. Here, we grow three convolutional backbones on 12 motor-imagery datasets under three protocols and compare each with its reference model per subject. The growing ShallowFBCSPNet scores 2.9 points above its reference model with only half the parameters (0.57x), SCCNet changes by at most 1.2 points. Deep4Net growing models show decreased accuracy, but they require adaptation that prevent to compare faithfully the results. These differences follow the selection step, which keeps a candidate neuron relying on a dynamic threshold from singular values decomposition. Overall, these results suggest that growth helps when its criterion can rank the candidate neurons, and that the rate of skipped neuron addition tells where a decoder can be grown small from scratch.
• Abstract（参考訳）: 畳み込みEEGデコーダは固定幅で訓練され、通常は著者が他のデータで設定する。 成長法は、最も損失が減少する可能性のあるトレーニング中にニューロンを追加するが、参照幅と比較して改善するか否かは、脳波ではテストされない。 ここでは、12の運動画像データセット上に3つの畳み込みバックボーンを3つのプロトコルで成長させ、各被験者の基準モデルと比較する。 増加傾向にあるShallowFBCSPNetは基準モデルより2.9ポイント高く、パラメータの半分(0.57x)しかなく、SCCNetは1.2ポイント以上変化している。 Deep4Net成長モデルは精度が低いが、結果を忠実に比較できないように適応する必要がある。 これらの違いは選択ステップに従い、候補ニューロンは特異値の分解から動的しきい値に依存する。 これらの結果は、成長が候補ニューロンのランク付けに役立ち、スキップされたニューロンの付加率は、デコーダがスクラッチから小さく成長できることを示唆している。

関連論文リスト

• Effective Fine-Tuning with Eigenvector Centrality Based Pruning [0.0]
  ソーシャルメディアネットワークでは、少数の影響力のあるユーザーが複数のコミュニティで会話を大規模に変化させることが可能である。 これらのユーザの行動の小さな変化は、ネットワーク全体に広範に伝播するのに十分であることが多い。 本稿では,微調整性能の向上を目的とした,ニューラルネットワークのプルーニングのためのグラフ理論に基づく手法を提案する。
  論文  参考訳（メタデータ） (2025-12-14T04:27:50Z)
• BrainRotViT: Transformer-ResNet Hybrid for Explainable Modeling of Brain Aging from 3D sMRI [0.3949853729743116]
  本稿では、視覚変換器(ViT)のグローバルコンテキストモデリングと残留CNNの局所的洗練を組み合わせたハイブリッドアーキテクチャである、訓練された視覚変換器(BrainRotViT)のBrain ResNetを提案する。 提案手法は,130以上の取得サイトを含む11個のMRIデータセットに対する3.34年間の検証を達成している。 脳年齢差の分析によると、老化パターンはアルツハイマー病、認知障害、自閉症スペクトラム障害と関連している。
  論文  参考訳（メタデータ） (2025-11-19T07:20:23Z)
• EntryPrune: Neural Network Feature Selection using First Impressions [18.19175363343452]
  EntryPruneは、動的スパース入力層を持つ高密度ニューラルネットワークを用いた、新しい教師付き特徴選択アルゴリズムである。 エントリベースのプルーニングは、ネットワークに入ると引き起こされる相対的な変化に基づいてニューロンを比較する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-10-03T09:56:39Z)
• Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language Understanding [82.46024259137823]
  幅広いタスクに対するクロスモデル比較損失を提案する。 3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
  論文  参考訳（メタデータ） (2023-01-10T03:04:27Z)
• Improved Convergence Guarantees for Shallow Neural Networks [91.3755431537592]
  勾配降下法により訓練された深度2ニューラルネットの収束度を世界最小とする。 我々のモデルには、二次損失関数による回帰、完全連結フィードフォワードアーキテクチャ、RelUアクティベーション、ガウスデータインスタンス、逆ラベルといった特徴がある。 彼らは、少なくとも我々のモデルでは、収束現象がNTK体制をはるかに超越していることを強く示唆している」。
  論文  参考訳（メタデータ） (2022-12-05T14:47:52Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Neuron Merging: Compensating for Pruned Neurons [3.441021278275805]
  構造的ネットワークプルーニングは、ニューロン全体やフィルターを破棄し、精度を低下させる。 完全連結層と畳み込み層の両方に適用可能なニューロン融合の概念を提案する。 我々は93.16%の精度を達成し、微調整なしで総パラメータの64%を削減した。
  論文  参考訳（メタデータ） (2020-10-25T16:50:26Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。