論文の概要: Separating personal from population gains when calibrating EEG foundation models for new users

• arxiv url: http://arxiv.org/abs/2609.34801v1
• Date: Mon, 28 Sep 2026 10:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:43:51.908646
• Title: Separating personal from population gains when calibrating EEG foundation models for new users
• Title（参考訳）: 新規ユーザーのための脳波基礎モデルの校正における個人と人口の利得の分離
• Abstract要約: ファンデーションモデルは、個々のユーザーに適応する傾向にあるが、明らかなパーソナライゼーションの増加は、単により強力な人口モデルに反映できる。 本研究では,3つの運動画像データから,凍結脳波基礎モデルの235被験者に対する個人適応性を評価した。
• 参考スコア（独自算出の注目度）: 3.333639687907171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models are increasingly adapted to individual users, but an apparent personalization gain can simply reflect a stronger population model. This distinction matters for brain-computer interfaces, where every new user must be calibrated. We evaluated personal adaptation of three frozen EEG foundation models (CBraMod, REVE and LaBraM) in 235 held-out subjects from three motor-imagery datasets, comparing each subject's adapter with the population model and with adapters fitted to other subjects. Using all first-half session labels, personal adapters improved mean balanced accuracy over the population model by 1.5-5.4 percentage points and outperformed exchanged adapters by 2.3-7.3 points in all nine model-dataset combinations. The size of this benefit depended on population training: with four times the original budget, median gains remained positive (1.0-2.0 points) but were smaller for every model, and no population model reached a confirmed plateau. Acquiring the benefit cheaply was unreliable: few-label calibration was consistently non-negative on only one dataset, and in CBraMod neither unlabeled context nor meta-learned initialization outperformed matched controls. Personalization should therefore be evaluated against both a population reference and exchanged parameters, across population-training budgets.
• Abstract（参考訳）: ファンデーションモデルは、個々のユーザーに適応する傾向にあるが、明らかなパーソナライゼーションの増加は、単により強力な人口モデルに反映できる。 この区別は、すべての新しいユーザーをキャリブレーションする必要がある脳とコンピュータのインターフェイスにとって重要である。 凍結脳波基礎モデル(CBraMod,REVE,LaBraM)を3つの運動画像データセットから235名の被験者に適応させ,各被験者のアダプタを集団モデルと比較し,他の被験者に装着したアダプタと比較した。 すべての最初のセッションラベルを用いて、個人用アダプタは人口モデルの平均バランス精度を1.5-5.4ポイント改善し、9つのモデルとデータセットの組み合わせで2.3-7.3ポイント向上した。 当初の予算の4倍の正の利得(1.0-2.0ポイント)を保ったものの、全てのモデルで小さかったため、人口モデルでは確認された台地に達しなかった。 少ないラベルのキャリブレーションは1つのデータセットで一貫して非負であり、CBraModではラベルなしのコンテキストもメタ学習の初期化もマッチしたコントロールよりも優れていなかった。 したがって、個人化は、人口基準と交換パラメータの両方に対して、人口訓練予算において評価されるべきである。

関連論文リスト

• How Far Do Persona Effects Generalize in Language Models? [21.279374648591318]
  ペルソナは特定の種類の人々の答えを言語モデルに求める。 これらの効果から得られた関係が、新しい質問に対する反応を予測し、モデルやプロンプトで有用かどうかを検証する。
  論文  参考訳（メタデータ） (2026-09-26T16:26:03Z)
• Sandwich-Residuals: Parameter-Efficient Test-time Adaptation of World Models [6.416429054645992]
  我々は、事前訓練された世界モデルを凍結し続ける軽量な代替手段であるSandwich-Residualsを導入し、予測器の周りの小さな残差のみを学習する。 本手法は凍結モデルの成功率を1.3倍に向上し,AdaJEPA 変種の性能の95%を維持できる。 複合シフトの下では、この利点は、内部ブロック適応に匹敵するまま、凍結モデルの成功率で1.9倍に向上する。
  論文  参考訳（メタデータ） (2026-09-18T13:17:05Z)
• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• q0: Primitives for Hyper-Epoch Pretraining [0.5980755233352995]
  単一のモデルの事前訓練は、計算予算が枯渇するずっと前に、数パス以内に飽和する。 ハイパーエポック事前学習(q0)を導入し,マルチエポック予算を多種多様なモデルに転換する。 我々は,q0が56エポック(4.6倍)または67エポック(3.8倍)の強い256エポックアンサンブルベースラインと一致することを示す。
  論文  参考訳（メタデータ） (2026-06-02T17:27:48Z)
• Personalized Digital Health Modeling with Adaptive Support Users [2.31112853265718]
  適応的に重み付けされたサポートユーザを用いて個人モデルを訓練する統合パーソナライズフレームワークを提案する。 4つの実際のデジタルヘルスデータセットにわたる6つのタスクの実験は、人口とパーソナライズされたベースラインに対して一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-05-03T18:23:30Z)
• WorldPM: Scaling Human Preference Modeling [130.23230492612214]
  我々は、このスケーリングの可能性を強調するために、World Preference Modeling$ (WorldPM)を提案する。 多様なユーザコミュニティをカバーする公開フォーラムから選好データを収集する。 1.5Bから72Bパラメータの範囲で15Mスケールのデータを用いて広範囲なトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-15T17:38:37Z)
• Anyprefer: An Agentic Framework for Preference Data Synthesis [62.3856754548222]
  ターゲットモデルを調整するための高品質な嗜好データを合成するフレームワークであるAnypreferを提案する。 審査員モデルの応答を正確に評価するために、外部ツールが導入される。 合成されたデータは、58Kの高品質な選好ペアからなる新しい選好データセットであるAnyprefer-V1にコンパイルされる。
  論文  参考訳（メタデータ） (2025-04-27T15:21:59Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• Federated Skewed Label Learning with Logits Fusion [23.062650578266837]
  フェデレートラーニング(FL)は、ローカルデータを送信することなく、複数のクライアント間で共有モデルを協調的にトレーニングすることを目的としている。 本稿では,ロジットの校正により局所モデル間の最適化バイアスを補正するFedBalanceを提案する。 提案手法は最先端手法に比べて平均精度が13%高い。
  論文  参考訳（メタデータ） (2023-11-14T14:37:33Z)

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。