論文の概要: Riemannian Suppression of Cross-Session Identity Leakage in Motor-Imagery EEG

• arxiv url: http://arxiv.org/abs/2610.15626v1
• Date: Sun, 11 Oct 2026 13:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:32:19.084628
• Title: Riemannian Suppression of Cross-Session Identity Leakage in Motor-Imagery EEG
• Title（参考訳）: 運動画像脳波におけるクロスセッションアイデンティティ漏洩のリーマン抑制
• Abstract要約: クロスセッションIDリークは、プライバシモデルを学ぶことなく、共分散表現で直接抑制することができる。 最悪の攻撃者はBCIコンペティションIV-2aで90.8%から15.6%、OpenBMIで90.8%から9.9%に落ちている。 この変換では、学習したプライバシモデルや代理ネットワーク、勾配ベースのトレーニングは必要とせず、ひとつのセッションに適合し、後続のセッションに変更を加える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) recorded for motor-imagery (MI) brain-computer interfaces (BCIs) carries subject-identifying structure that persists across sessions, allowing separately released sessions from the same person to be linked. Existing EEG identity protections use learned or additive perturbations and operate on representations other than the covariance geometry underlying MI pipelines. We ask whether cross-session identity leakage can be suppressed directly in this covariance representation without learning a privacy model. We introduce a Riemannian transform that equalizes two subject-conditioned geometric statistics: the Riemannian mean covariance and the tangent-space scatter around it, with two optional band-specific refinements. Ablations show that mean alignment and scatter whitening carry nearly all of the suppression, while the optional stages contribute small, dataset-dependent refinements. Across two public datasets and five attackers spanning four covariance-space representations, the worst attacker falls from 90.8% to 15.6% on BCI Competition IV-2a and from 90.8% to 9.9% on OpenBMI, at a cost of 7.0 and 2.1 points of MI decoding accuracy relative to the 8-30 Hz input, and no aggregation rule exceeds chance by more than two points at any batch size. The transform requires no learned privacy model, surrogate network, or gradient-based training, and is fitted on one session and applied unchanged to a held-out later session.
• Abstract（参考訳）: 脳波(EEG)は、運動画像(MI)脳コンピュータインタフェース(BCI)に記録され、セッション間で持続する主観的識別構造を持ち、同一人物から別々に放出されたセッションをリンクすることができる。 既存のEEGアイデンティティ保護は、学習または付加的な摂動を使用し、MIパイプラインの基礎となる共分散幾何学以外の表現を操作する。 プライバシモデルを学ぶことなく、この共分散表現において、クロスセッションIDリークを直接抑制できるかどうかを問う。 リーマン平均共分散(英語版)とそれを取り巻く接空間散乱(英語版)という、2つの主題条件付き幾何統計学を等式化するリーマン変換を導入する。 アブレーションは、平均的なアライメントと散乱ホワイトニングがほとんどすべての抑制を担い、オプションステージは小さなデータセット依存の洗練に寄与することを示している。 2つの公開データセットと4つの共分散空間表現にまたがる5つの攻撃者のうち、最悪の攻撃者はBCIコンペティションIV-2aで90.8%から15.6%、OpenBMIで90.8%から9.9%、MIデコード精度が8-30Hzの入力に対して7.0と2.1ポイントとされており、任意のバッチサイズで2ポイント以上もアグリゲーションルールは適用されない。 この変換では、学習したプライバシモデルや代理ネットワーク、勾配ベースのトレーニングは必要とせず、ひとつのセッションに適合し、後続のセッションに変更を加える。

関連論文リスト

• GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
  本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。 方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。 D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
  論文  参考訳（メタデータ） (2026-09-26T13:14:53Z)
• DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
  長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
  論文  参考訳（メタデータ） (2026-09-16T14:57:11Z)
• K/V-Cache Interventions Dissociate Representation Alignment from Persona Expression in Decoder-Only Language Models [32.7114174898989]
  我々は,デコーダのみの言語モデルにおけるペルソナ制御のための構造化曲面として,K/V-cacheの介入について検討する。 表現レベルのアライメントと行動表現の間には2つの一貫した普遍性があり,また位置摂動下での共通の失敗も報告する。
  論文  参考訳（メタデータ） (2026-09-10T02:56:50Z)
• SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
  推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。 既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。 明示的なWhat-whereインターフェースであるSeGDePを提示する。
  論文  参考訳（メタデータ） (2026-09-08T15:11:32Z)
• Robust and Personalized Federated Learning for Aircraft-Engine Prognostics under Benign and Adversarial Client Heterogeneity [0.4776836972093627]
  FL(Federated Learning)は、航空機の運用者が生データを共有せずに、エンジンセンサーテレメトリから残留寿命(RUL)モデルを共同訓練することを可能にする。 本研究では, 正直な操作者が異なる操作条件や障害モードを観察する良性不均一性と, 妥協した操作者が有毒な更新を提出する敵対的不均一性という2つの相補的課題について検討した。 エンジンの劣化を隠蔽する物理的に動機付けられたセンサ値バックドアを含む,4つのアグリゲーション手法に対する5つの攻撃を評価した。
  論文  参考訳（メタデータ） (2026-08-04T06:54:29Z)
• Decomposing Memorization Reduction in Privacy-Preserving Fine-Tuning of SLMs for CSIRTs [0.0]
  構造化CSIRTデータ上で1Bから3Bパラメータの小さな言語モデルを微調整する際に,DP SGDとHMACの擬似化がどのように作用するかを示す。 96個のLORAアダプタを4つのSLMと4つのトレーニング体制で評価した。その中には、生微調整、大規模バッチトレーニング付きQLoRA、エプシロン2と8のDP SGDが含まれる。
  論文  参考訳（メタデータ） (2026-06-26T17:35:17Z)
• Let the Results Speak: A Replication-First Paradigm for LLM Behavioral Benchmarking [22.825786049667602]
  本稿では,1つのヒト・ラタのコンセンサスに有効性を確保するために,複製第一パラダイムを提案する。 楽器を4つの特性で認証する - Kランの信頼性、アーキテクチャ的に異なる審査員間のクロスインストラクトレプリケーション、以前のトレーニングコホートからの審査員による歴史的フットプリントキャリブレーション、事前登録された予測。 本研究は, 自己発達型データ駆動による情緒的伴奏で, 次元は事前に決められず, 手順は9次元に安定化する。
  論文  参考訳（メタデータ） (2026-05-27T03:41:11Z)
• Toward Efficient Membership Inference Attacks against Federated Large Language Models: A Projection Residual Approach [44.738736515079346]
  Federated Large Language Models (FedLLMs) は、複数のパーティが生データを共有することなく、協調的にLLMを微調整することができる。 FedLLMsの特異な性質、すなわち、巨大なパラメータスケール、急速な収束、スパースな非直交勾配は、既存のMIAsを非効率にする。 提案するProjResは,FedLLMsに適したプロジェクション残差型受動MIAである。
  論文  参考訳（メタデータ） (2026-04-23T01:44:04Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• A Multimodal Approach to Heritage Preservation in the Context of Climate Change [0.0]
  本稿では,センサデータ(温度,湿度)と視覚画像とを融合させて,遺産の重症度を予測する軽量なマルチモーダルアーキテクチャを提案する。 ストラスブール大聖堂からのデータでは、標準的なマルチモーダルアーキテクチャよりも43%向上した76.9%のアクク・レシーを達成した。
  論文  参考訳（メタデータ） (2025-10-15T22:07:57Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。