論文の概要: Benchmarking Label-Revealed Online Updates for EEG BCI Decoding

• arxiv url: http://arxiv.org/abs/2610.07420v1
• Date: Mon, 05 Oct 2026 21:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.678191
• Title: Benchmarking Label-Revealed Online Updates for EEG BCI Decoding
• Title（参考訳）: EEG BCIデコードのためのラベル付きオンラインアップデートのベンチマーク
• Abstract要約: オンライン適応のためのベンチマークを提示し、広く使われている2つのパイプラインファミリを比較した。 i) ラベルの更新によって最も恩恵を受けるパイプライン, (ii) 古いデータの制御された忘れ込みが堅牢性を向上させるか否か, (iii) 最小校正コールスタートが事前訓練されたモデルからの開始とどのように比較されるかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) signals drift over time, which can cause static brain-computer interface (BCI) models to degrade in practice. We present a benchmark for online adaptation and compare two widely used pipeline families, Common Spatial Patterns (CSP) and Riemannian covariance-based methods, under time-ordered prequential (test-then-train) evaluation. We examine (i) which pipelines benefit most from label-revealed updates, (ii) whether controlled forgetting of older data improves robustness, and (iii) how a minimal-calibration cold start compares with starting from a pretrained model. Across four datasets (three motor-imagery datasets and one movement-decoding dataset), label-revealed online updates improve 13 of 14 model/dataset pairs on the two largest streams, with relative accuracy gains of up to about 18% over a frozen model. A Shapley-based data-valuation analysis over temporal blocks assigns the largest mean value to the most recent block in each of the three analyzed datasets, while older blocks retain positive value.
• Abstract（参考訳）: 脳波(EEG)信号は時間とともにドリフトし、静的脳-コンピュータインターフェース(BCI)モデルが実際に劣化する可能性がある。 本稿では,CSP(Common Spatial Patterns)とRiemannian Covariance-based Method(Riemannian Covariance-based Method)という2つの広く使われているパイプライン群を比較し,オンライン適応のためのベンチマークを示す。 検討する i) ラベルの更新によって最も恩恵を受けるパイプライン。 二 古いデータの制御された忘れ忘れが堅牢性を向上させるか否か、及び 三 極小校正コールドスタートが事前訓練したモデルから開始するのと比べてどうか。 4つのデータセット(3つのモーター画像データセットと1つのモーションデコーディングデータセット)にわたって、ラベルをラベルに記載したオンライン更新は、2つの大きなストリーム上の14のモデル/データセットペアの13を改善し、凍結モデルに対して最大18%の精度向上を実現した。 時間ブロック上のShapleyベースのデータ評価分析は、分析された3つのデータセットのそれぞれにおいて、最も大きな平均値を最新のブロックに割り当てる一方で、古いブロックは正の値を保持する。

関連論文リスト

• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Coupling Models for One-Step Discrete Generation [50.37847093567075]
  カップリングモデル(英: Coupling Models)は、離散列とガウス列の間の直接結合を学習する一段階の離散生成モデルである。 単純なデータ間結合と手動で特定したデータ間結合による複雑な連続フローを回避する。 LM1Bテキスト生成パープレキシティを最低パープレキシティ動作ポイントで33%削減する。
  論文  参考訳（メタデータ） (2026-05-08T03:40:39Z)
• A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization [13.136405879524856]
  本稿では,動的多目的最適化のためのベースベクトル駆動型生成フレームワーク(DB-GEN)を提案する。 非線形結合、時代遅れの歴史的データからの負の転送、および環境スイッチ時のコールドスタート問題に対処する。 実験の結果、DB-GENは既存のアルゴリズムと比較して、様々な動的ベンチマークにおけるトラッキング精度を向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-01T05:47:56Z)
• Provably Efficient Online RLHF with One-Pass Reward Modeling [70.82499103200402]
  人間のフィードバックからの強化学習は、大規模言語モデルと人間の好みを合わせることに顕著な成功を収めた。 オンラインRLHFは有望な方向性として現れ、反復的なデータ収集と改善を可能にしている。 本稿では,過去のデータを保存する必要をなくし,反復毎に一定時間更新を行うワンパス報酬モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T02:36:01Z)
• Drift-Resilient TabPFN: In-Context Learning Temporal Distribution Shifts on Tabular Data [39.40116554523575]
  In-Context Learning with a Prior-Data Fitted Network に基づく新しいアプローチである Drift-Resilient TabPFN を提案する。 先行した合成データセットのベイズ推定を近似することを学ぶ。 精度は0.688から0.744に向上し、OC AUCは0.786から0.832に向上し、キャリブレーションも強化された。
  論文  参考訳（メタデータ） (2024-11-15T23:49:23Z)
• Consistency-Guided Asynchronous Contrastive Tuning for Few-Shot Class-Incremental Tuning of Foundation Models [19.165004570789755]
  CoACTは、(i)非同期コントラストチューニング、(ii)制御された微調整、(iii)一貫性のあるインクリメンタルチューニングの3つの重要なコンポーネントから構成される。 提案したFew-Shot Class-Incremental Learning (FSCIL)とFew-Shot Class-Incremental Tuning (FSCIT)と呼ばれる新しい挑戦的なセットアップについて検討した。 CoACTは、FSCILで最大5.02%、個々のデータセットで最大12.51%、平均2.47%改善している。
  論文  参考訳（メタデータ） (2024-05-26T16:41:03Z)
• Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
  本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。 本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。 提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
  論文  参考訳（メタデータ） (2024-01-08T12:04:39Z)
• Deep Learning-Based Cyber-Attack Detection Model for Smart Grids [6.642400003243118]
  監視制御とデータ取得(SCADA)により、受信した負荷データに対するデータ完全性サイバー攻撃(DIA)を防止するために、人工知能に基づく新しいサイバー攻撃検出モデルを開発した。 提案モデルでは、まず回帰モデルを用いて負荷データを予測し、処理後、教師なし学習法を用いて処理データをクラスタ化する。 提案したEE-BiLSTM法は,他の2つの手法と比較して,より堅牢かつ高精度に動作可能である。
  論文  参考訳（メタデータ） (2023-12-14T10:54:04Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
  本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。 我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
  論文  参考訳（メタデータ） (2020-06-25T09:57:47Z)

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。