論文の概要: EEG-Fusion: Failure-Informed Source-Free Expert Routing for Robust Motor Imagery EEG Decoding
- arxiv url: http://arxiv.org/abs/2609.33962v1
- Date: Sun, 27 Sep 2026 22:00:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 08:21:08.912173
- Title: EEG-Fusion: Failure-Informed Source-Free Expert Routing for Robust Motor Imagery EEG Decoding
- Title（参考訳）: EEG-Fusion:ロバストモータ画像脳波復号のためのフェールインフォームソースフリーエキスパートルーティング
- Abstract要約: EEGデコーディングは、平均的なパフォーマンスが許容できるように見える場合でも、主観レベルの障害を示す。
EEG-Fusionは、ソースフリーMIデコーディングを異種の専門家に対するラベルフリーな信頼性評価として扱う。
その結果, ラベルのない信頼性推定により, ソースフリーMI-EEGデプロイメントにおいて, 対象レベルの障害モードを低減できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 3.383341806828598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subject-independent motor-imagery (MI) EEG decoding can exhibit subject-level failures even when average performance appears acceptable: under subject shift, a decoder can become an overconfident near-one-class predictor. This is especially problematic in source-free deployment, where target-user labels are unavailable during adaptation and expert selection. We present \textit{EEG-Fusion}, a failure-informed decision-level fusion framework that treats source-free MI decoding as label-free reliability estimation over heterogeneous experts. EEG-Fusion applies subject-wise Euclidean alignment and normalization-only test-time adaptation, then routes each target subject to a neural, covariance-based, or physiological-feature expert using a reliability gate trained on source-held-out folds to predict expert performance and collapse risk from label-free stream diagnostics. The gate uses confidence, entropy, prediction diversity, expert agreement, and predicted class balance; collapse is measured as the maximum predicted class fraction. In 9-fold leave-one-subject-out (LOSO) evaluation with three seeds, relative to a no-alignment raw EEGNet source-free anchor, EEG-Fusion improves subject macro-F1 from 0.417 to 0.529 on BCI IV-2a local protocol, from 0.314 to 0.482 on BNCI2014-001, and from 0.607 to 0.708 on BNCI2014-004; corresponding collapse-index reductions are 0.199, 0.227, and 0.169. In a 9-subject Cho2017 external subset, EEG-Fusion improves macro-F1 from 0.516 to 0.630. These results suggest that label-free reliability estimation can reduce subject-level failure modes in source-free MI-EEG deployment.
- Abstract（参考訳）: 被写体非依存型運動画像(MI)脳波デコーディングは、平均的な性能が許容される場合であっても、被写体レベルの障害を示す。
これは、ターゲットユーザラベルが適応や専門家の選択中に利用できない、ソースフリーなデプロイメントにおいて特に問題となる。
我々は、ソースフリーMIデコードを扱うフェールインフォームド決定レベル融合フレームワークである‘textit{EEG-Fusion}を、異種専門家に対するラベルフリーな信頼性評価として提示する。
EEG-Fusionは、主観的ユークリッドアライメントと正規化のみのテストタイム適応を適用し、ソースホールドアウトでトレーニングされた信頼性ゲートを使用して、ニューラルネットワーク、共分散ベースの、または生理機能の専門家にそれぞれのターゲットをルーティングし、専門家のパフォーマンスを予測し、ラベルフリーストリーム診断によるリスクを崩壊させる。
ゲートは信頼性、エントロピー、予測の多様性、専門家の合意、予測されるクラスバランスを使用し、崩壊は予測される最大クラスの分数として測定される。
EEG-Fusionは、非アライメントな生EEGNetソースフリーアンカーと比較して、9倍の3つの種によるLOSO評価において、BCI IV-2aローカルプロトコルでは0.417から0.529に、BNCI2014-001では0.314から0.482に、BNCI2014-004では0.607から0.708に改善し、対応する崩壊指数減少率は0.199、0.227、0.169となった。
9サブオブジェクトのCho2017外部サブセットでは、EEG-FusionはマクロF1を0.516から0.630に改善する。
これらの結果から,ラベルフリーな信頼性推定は,ソースフリーなMI-EEGデプロイメントにおいて,主観レベルの障害モードを低減できることが示唆された。
関連論文リスト
- Beyond Final-Token Classification: Heterogeneous Readouts for Evidence-Grounded Suicide Risk Detection [10.766937373263204]
出力実現から意味的検証を分離するヘテロジニアス・リードアウト分解(HRD)を導入する。
HRDは、通常リスクの4つの潜伏スコアを比較し、ほとんどの要因に対してトークンマージンを保持し、一方の共有潜伏プローブを通して7つのラベルをルーティングする。
これらの結果は, セマンティック表現のみではなく, 解答境界を測定可能な誤差源として同定する。
論文 参考訳（メタデータ） (2026-09-19T05:01:17Z) - Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion [17.232816400275727]
マルチエンジンバインドアフィニティ予測のためのフレームワークであるRELIABLE-BAを紹介する。
PDBBindとBDB 2020+ベンチマークの実験では、不確実性のキャリブレーションを大幅に改善した競合点予測が示されている。
これらの不確実性推定は、タンパク質-リガンドペアの信頼性の高いフィルタリングを可能にし、高信頼ペアのみを保持する場合、予測誤差を最大25%削減する。
論文 参考訳（メタデータ） (2026-07-20T06:42:49Z) - A Machine Learning Surrogate for Component Criticality Ranking in Interdependent Power-Communication Networks [0.09821874476902966]
サイバー物理電力システムは、電力と通信インフラ間の密接な相互依存に起因するカスケード障害に対して脆弱である。
本稿では,漏洩のない構造特徴から同時重大度を予測する機械学習サロゲートを開発した。
論文 参考訳（メタデータ） (2026-07-09T20:22:14Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - Foundation Model Guided Dual-Branch Co-Adaptation for Source-Free EEG Decoding [41.18490005117712]
Source-free Domain adapt (SFDA)は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース予測モデルを適用することで、EEGデコーディングをクロスサブジェクトする実用的なソリューションを提供する。
本稿ではFUSEDを提案する。FUSEDは、大規模なFMとコンパクトなスペシャリストモデルを統合した、ファウンデーションによるオープンソースのEEGデコーディングフレームワークである。
論文 参考訳（メタデータ） (2026-04-21T06:01:29Z) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。
凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。
COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
論文 参考訳（メタデータ） (2025-11-05T23:28:14Z) - Dendrograms of Mixing Measures for Softmax-Gated Gaussian Mixture of Experts: Consistency without Model Sweeps [41.371172458797524]
ゲーティングパラメータの共通翻訳、固有のゲート-エキスパート相互作用、およびタイトな数値-デノミネータ結合までの不特定性に対処する。
モデル選択には, 最適なパラメータ率を得る専門家の数を一貫したスイープフリーセレクタとして, デンドログラム誘導SGMoEを適応させる。
干ばつを識別できるトウモロコシの形質のデータセット上で、私たちのデンドログラム誘導SGMoEは2人の専門家を選別し、明確な混合階層を公開し、確率を早期に安定化し、解釈可能な遺伝子型フェノタイプマップを生成する。
論文 参考訳（メタデータ） (2025-10-14T17:23:44Z) - Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z)
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。