論文の概要: AutoBCI: Forecast-Guided Agentic Neural Architecture Discovery for EEG-Based Brain--Computer Interfaces
- arxiv url: http://arxiv.org/abs/2609.35456v1
- Date: Mon, 28 Sep 2026 15:46:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 05:16:17.642389
- Title: AutoBCI: Forecast-Guided Agentic Neural Architecture Discovery for EEG-Based Brain--Computer Interfaces
- Title（参考訳）: AutoBCI: 脳波ベースのコンピュータインタフェースのための予測誘導型エージェントニューラルアーキテクチャ発見
- Abstract要約: AutoBCIはタスク間のEEGデコーディングアーキテクチャの発見と選択をサポートする。
AutoBCIがClaude Opus 5.5で発見したアーキテクトは、平均的テストバランス精度(bAcc)を64.16%達成している。
PEEKは観測された10のエポックを用いて、平均バリデーションbAccを2.20から1.36ポイントまで予測する平均絶対誤差を減少させる。
- 参考スコア（独自算出の注目度）: 43.20167863936803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: EEG-based brain-computer interfaces support a broad range of applications, yet designing decoding architectures that perform well across diverse tasks remains challenging. We introduce AutoBCI, an agentic framework in which a Designer Agent and a Forecaster Agent support the discovery and selection of EEG decoding architectures across tasks. The Designer Agent performs Pool-Guided Architecture Discovery (PGAD), generating and refining architectures through training and validation across multiple EEG tasks, such as emotion recognition, motor imagery, and sleep staging. The Forecaster Agent performs Performance Estimation from Early Knowledge (PEEK), using architecture code, the training protocol, and early learning curves to predict full-budget validation performance and select promising candidates for continued training. Across 14 EEG datasets spanning motor imagery, emotion recognition, and sleep staging, we evaluate AutoBCI with six LLMs, including Opus 5.5 and GPT 5.6 Sol, and compare the architectures selected by the search procedure against ten baselines: six conventional EEG models and four foundation models. The architecture discovered by AutoBCI with Claude Opus 5.5 achieves 64.16% average test balanced accuracy (bAcc), compared with 63.87% for REVE, the strongest baseline on this metric. Using ten observed epochs, PEEK reduces mean absolute error in predicting average validation bAcc from 2.20 to 1.36 percentage points, a 38.1% reduction relative to the best-observed-score baseline.
- Abstract（参考訳）: EEGベースの脳-コンピュータインタフェースは幅広いアプリケーションをサポートしているが、様々なタスクでうまく機能するデコードアーキテクチャを設計することは困難である。
本稿では,デザイナエージェントとフォアキャスターエージェントがタスク間のEEGデコーディングアーキテクチャの発見と選択を支援するエージェントフレームワークであるAutoBCIを紹介する。
Designer Agentは、Pool-Guided Architecture Discovery (PGAD)を実行し、感情認識、運動画像、睡眠ステージングなどの複数のEEGタスクのトレーニングと検証を通じてアーキテクチャの生成と精錬を行う。
Forecaster Agentは、アーキテクチャコード、トレーニングプロトコル、および早期学習曲線を使用して、完全な予算検証性能を予測し、継続トレーニングのための有望な候補を選択する、早期知識(PEEK)のパフォーマンス推定を実行する。
運動画像,感情認識,睡眠ステージを対象とする14の脳波データセットを用いて,Opus 5.5,GPT 5.6 Solを含む6つのLDMを用いてAutoBCIを評価し,従来の脳波モデルと4つの基礎モデルである10のベースラインと比較した。
AutoBCIがClaude Opus 5.5で発見したアーキテクチャは、平均的テストバランス精度(bAcc)が64.16%に達し、REVEは63.87%である。
観測された10のエポックを用いて、PEEKは平均バリデーションbAccの予測における平均絶対誤差を2.20から1.36ポイントに下げる。
関連論文リスト
- ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search [54.43696074323815]
ZGCM-1は、極端なデータ、システム、アルゴリズムの効率でゼロから訓練された、完全にオープンな7Bファンデーションモデルである。
エージェントがクラスタ操作を自律的に管理する、AIネイティブなR&Dワークフローを確立します。
ZGCM-1-7Bは一般的なベンチマークで7Bモデルファミリ間で競合する。
論文 参考訳（メタデータ） (2026-09-11T17:18:04Z) - iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model [89.9836668595474]
再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。
本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。
我々は,高密度で低周波なインタフェースに人間の入力を集中させ,エージェントはこれらの先行情報をインスタンス化し,実験を選択し,その結果を診断し,トレーニング戦略を改訂する。
産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的に生産する。
論文 参考訳（メタデータ） (2026-08-28T15:51:26Z) - OmniEEG-Bench: A Standardized Evaluation Benchmark for EEG Foundation Models [22.964421663748755]
我々は,脳波基礎モデル(FM)のための統一ベンチマークとダウンストリームタスクロードマップであるOmniEEG-Benchを紹介する。
脳波FMの評価を、(i)信号信頼性、(ii)生体計測と疾患、(iii)意識と状態、(iv)認知と感情、(v)自然主義的刺激復号、(vi)運動と相互作用の6つのタスクファミリーに分類する。
代表的なEEGファンデーションモデル10をベンチマークし、さまざまな評価設定をカバーするリーダーボードを報告します。
論文 参考訳（メタデータ） (2026-05-30T17:20:04Z) - EngiAI: A Multi-Agent Framework and Benchmark Suite for LLM-Driven Engineering Design [0.4499833362998488]
3つの評価次元を持つベンチマークスイートを導入する。
本稿では,LangGraph上に構築されたマルチエージェントシステム(MAS)の実装であるEngiAIを紹介する。
論文 参考訳（メタデータ） (2026-05-19T12:12:09Z) - Agentic Discovery of Neural Architectures: AIRA-Compose and AIRA-Design [9.382770582572784]
AIRA-Compose for High-level architecture search, AIRA-Design for Low-level mechanistic implementation。
AirA-Composeは11のエージェントを使用して24時間の予算の下で基本的な計算プリミティブを探索する。
AirAformers(Transformerベース)とAIRAhybrids(Transformer-Mamba)は一貫してLlama 3.2とComposer-foundベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-15T11:40:41Z) - PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents [53.369140518949656]
外部知識グラフ(KG)の統合により,大規模言語モデル(LLM)ベースのシステムを強化する新しいフレームワークであるPersonalAI 2.0(PAI-2)を紹介する。
提案手法は,動的でマルチステージなクエリ処理パイプラインを組み込むことにより,既存のGraphRAG(Retrieval-Augmented Generation)メソッドの重要な制限に対処する。
グラフアルゴリズム(例えば、BeamSearch、WaterCircles)は、平均6%の標準フラットテンレトリバーよりも優れた結果が得られる一方で、検索計画強化機構は、6つのデータセットにわたるLLM-as-a-Judgeによる障害アルゴリズムに比べて18%向上することを示す。
論文 参考訳（メタデータ） (2026-05-13T13:06:30Z) - Investigating the Potential of Large Language Model-Based Router Multi-Agent Architectures for Foundation Design Automation: A Task Classification and Expert Selection Study [0.0]
シングルエージェント処理、マルチエージェントデザイナ-チェッカーアーキテクチャ、ルータベースのエキスパートセレクションの3つのアプローチが評価された。
性能評価はDeepSeek R1、ChatGPT 4 Turbo、Grok 3、Gemini 2.5 Proといったベースラインモデルを利用した。
その結果、ルータベースのマルチエージェントシステムは、プロのドキュメント標準を維持しつつ、基礎設計の自動化に最適なものとなった。
論文 参考訳（メタデータ） (2025-06-13T23:45:24Z) - Advancing LLM Reasoning Generalists with Preference Trees [119.57169648859707]
推論に最適化された大規模言語モデル(LLM)のスイートであるEulusを紹介する。
Eurusモデルは、様々なベンチマークでオープンソースのモデルの間で最先端の結果を得る。
論文 参考訳（メタデータ） (2024-04-02T16:25:30Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z)
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。