論文の概要: ZeroMAG: Zero-Shot Multimodal Adapter Generation for Plug-and-Play EEG Foundation Models

• arxiv url: http://arxiv.org/abs/2610.03546v1
• Date: Fri, 02 Oct 2026 16:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.477966
• Title: ZeroMAG: Zero-Shot Multimodal Adapter Generation for Plug-and-Play EEG Foundation Models
• Title（参考訳）: ZeroMAG: プラグアンドプレイEEGファンデーションモデルのためのゼロショットマルチモーダルアダプタ生成
• Abstract要約: ゼロショットマルチモーダルアダプタ生成フレームワークであるZeroMAGを紹介する。 未ラベルのターゲット記録を使用して凍結したEEGエンコーダと予測ヘッドを拡張する。 EEGのみの推測では7.22ポイント、直接の重み回帰では4.89ポイント、バランスの取れた精度は改善される。
• 参考スコア（独自算出の注目度）: 45.0057349946008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG foundation models (EFMs) capture reusable knowledge from large-scale EEG data, while many EEG recordings also include companion physiological signals that provide complementary information beyond the EEG-only interface. The challenge is to preserve this pretrained knowledge while extending the EFM to heterogeneous multimodal recordings through an adaptation inferred from unlabeled target data. We introduce ZeroMAG, a zero-shot multimodal adapter generation framework that extends a frozen EEG encoder and prediction head using unlabeled target recordings, without target labels or target-side optimization. The target datasets are held out from all model training and selection in the ZeroMAG pipeline. ZeroMAG organizes companion modalities around a configuration-invariant adapter, constructs a modality-subject-task condition from unlabeled recordings and task context, and generates adapter weights in a function-constrained latent space learned from source adapters. Across six held-out target datasets and three EFM backbones, ZeroMAG improves balanced accuracy by 7.22 percentage points over EEG-only inference and 4.89 points over direct weight regression, while coming within 0.50 points of supervised multimodal adaptation on average. Ablations further show that removing functional supervision from either representation learning or conditional generation degrades generated-adapter performance, confirming the contribution of both components.
• Abstract（参考訳）: 脳波基礎モデル(EFM)は、大規模な脳波データから再利用可能な知識を捉え、多くの脳波記録には、脳波のみのインターフェースを超える補完的な情報を提供する相補的な生理的信号も含まれている。 課題は、未ラベルの対象データから推定される適応を通して、EMFを異種マルチモーダル記録に拡張しながら、この事前訓練された知識を維持することである。 我々はゼロショットマルチモーダルアダプタ生成フレームワークであるZeroMAGを導入し、ターゲットラベルやターゲット側最適化を使わずに、未ラベルのターゲット記録を用いて凍結したEEGエンコーダと予測ヘッドを拡張する。 ターゲットデータセットは、ZeroMAGパイプライン内のすべてのモデルトレーニングと選択から保持される。 ZeroMAGは、構成不変アダプタの周囲の共役モダリティを整理し、ラベルなしレコードとタスクコンテキストからモダリティ・オブジェクト・タスク条件を構築し、ソースアダプタから学習した関数制約付き潜在空間でアダプタ重みを生成する。 6つの保持されたターゲットデータセットと3つのEMMバックボーンで、ZeroMAGはEEGのみの推測よりも精度を7.22ポイント、直接重み付けよりも4.89ポイント改善し、平均で監督されたマルチモーダル適応の0.50ポイント以内である。 さらにアブレーションは、表現学習または条件生成から機能的監督を取り除くことは、生成された適応性能を低下させ、両方のコンポーネントの寄与を確認していることを示している。

関連論文リスト

• Over-the-Air Federated Learning in Heterogeneous Mobile Wireless Networks [56.36166282526799]
  オーバー・ザ・エア(Over-the-air)計算は、無線ネットワークに学習アルゴリズムをデプロイするためのスケーラブルで効率的なソリューションである。 我々は,アルゴリズム正規化を採用し,暗黙のゴシップを通じてデバイスのアップデートを均等に混合するFedOAGを提案する。
  論文  参考訳（メタデータ） (2026-09-26T18:04:09Z)
• EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding [11.953698746967879]
  本稿では,EMGデータセットを事前学習するための自己教師型フレームワークEMGBlendを紹介する。 共有チャネルパッチとジオメトリ対応のアテンションを組み合わせることで、各レコードがサポートする周波数帯域にスペクトルターゲットを制限し、データソース間の露出をバランスさせる。 ジェスチャー認識,連続力回帰,接触分類で評価した。
  論文  参考訳（メタデータ） (2026-09-22T02:24:56Z)
• Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation [13.893263438236106]
  既存のフローベースのアプローチでは、サンプル内のすべてのチャンネルと時間セグメントが単一のグローバルな時間進行を共有すると仮定する。 条件付きフローマッチングに基づく適応型脳波生成フレームワークを提案する。 我々のフレームワークは一貫して最強のベースラインを上回り、TS-FIDを最大62.2%削減し、下流の分類精度を最大6.77ポイント向上させる。
  論文  参考訳（メタデータ） (2026-07-25T00:15:14Z)
• Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models [63.96252564303143]
  Embodied-R1.5は統合されたEmbodied Foundation Model(EFM)であり、包括的エンボディド推論機能を統合する。 我々は15B以上のトークンからなる大規模データシステムを構築し、マルチタスクバランスのRLレシピを設計する。 8Bパラメータしか持たず、Embodied-R1.5 SOTAは24のVLMベンチマークのうち16で、Gemini-Robotics-ER-1.5やGPT-5.4といった主要なモデルを上回った。
  論文  参考訳（メタデータ） (2026-06-09T18:07:50Z)
• Learning Generalizable Action Representations via Pre-training AEMG [1.3478288753277627]
  EMGのための大規模な自己教師型表現学習フレームワークであるAny Electromyography (AEMG)を提案する。 AEMGは神経筋のダイナミックスを言語的に再認識し、新しい神経筋収縮トケナイザー(NCT)を用いて、離散的な筋肉収縮を構造的単語に変換する。 AEMGは、最先端の6つのベースラインと比較して、ゼロショット・ワン・オブジェクトアウト(LOSO)の精度を5.79-9.25%向上させることを示した。
  論文  参考訳（メタデータ） (2026-05-05T07:50:00Z)
• GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation [3.2245472558257315]
  ウェアラブル慣性測定から連続筋活性化エンベロープを再構築する適応型IMU-to-EMG学習フレームワークを提案する。 結果は、注意に基づくアーキテクチャと軽量適応を併用して、直接EMGセンシングに代わる実用的でスケーラブルな代替品としてサポートしている。
  論文  参考訳（メタデータ） (2026-04-28T14:02:54Z)
• TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge [14.115504534589896]
  表面筋電図(EMG)の軽量基礎モデルTinyMyoについて述べる。 このモデルは、公開データセット上で自己管理的な方法で事前訓練され、3.6Mパラメータのみで高い再構成忠実度を達成する。 手のジェスチャー分類、手動回帰、音声生成、音声認識における一般化を実証し、その性能は最先端技術(SoA)に匹敵するか上回っている。 我々は、私たちの知る限り、EMG FMを超低消費電力マイクロコントローラ(GAP9)に初めて展開し、平均電力エンベロープ36.45mWを達成したことを報告している。
  論文  参考訳（メタデータ） (2025-12-05T17:36:57Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)

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。