論文の概要: Time Window Optimization for Motor Imagery Classification via Temporal Structure Embedded Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.16921v1
• Date: Mon, 12 Oct 2026 15:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 04:07:45.054035
• Title: Time Window Optimization for Motor Imagery Classification via Temporal Structure Embedded Reinforcement Learning
• Title（参考訳）: 時間構造埋め込み強化学習によるモータ画像分類のための時間窓最適化
• Abstract要約: オンラインモーターイメージベースの脳-コンピュータインタフェース(MI-BCI)は、通常、神経イベントと一致しない固定長のスライディングウィンドウを使用して、継続的な脳波をデコードする。 適応ウィンドウ最適化のための制約付きマルコフ決定プロセスにMIイベント構造の事前知識を組み込んだフレームワークであるTSE-RLを提案する。
• 参考スコア（独自算出の注目度）: 15.562782656253878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online motor imagery-based brain-computer interfaces (MI-BCIs) typically decode continuous EEG using fixed-length sliding windows that may be misaligned with neural events. Existing window optimization methods often evaluate windows independently, overlooking temporal dependencies and potentially producing fragmented or physiologically implausible selections. We propose Temporal Structure Embedded Reinforcement Learning (TSE-RL), a framework that incorporates prior knowledge of MI event structure into a constrained Markov decision process for adaptive window optimization. First, TSE-RL assigns each window an explicit semantic role through Discard, Onset, Sustain, or Offset actions, extending binary retain/discard decisions to event-level alignment. Second, a finite-state machine masks invalid actions to enforce the temporal order of MI phases and promote physiologically plausible window sequences. Third, a Transformer-based history encoder captures dependencies across windows, improving training stability and computational efficiency compared with recurrent architectures. TSE-RL is plug-and-play and can be integrated with diverse MI classifiers. Experiments on multiple benchmark datasets demonstrate consistent improvements in decoding performance in both cross-session and cross-subject settings. Visualization analyses further suggest that the learned window selection policy aligns with neurophysiological principles.
• Abstract（参考訳）: オンラインモーターイメージベースの脳-コンピュータインタフェース(MI-BCI)は、通常、神経イベントと一致しない固定長のスライディングウィンドウを使用して、継続的な脳波をデコードする。 既存のウィンドウ最適化手法は、時間的依存を見落とし、断片的あるいは生理学的に不可解な選択を生じる可能性があるため、ウィンドウを独立して評価することが多い。 適応ウィンドウ最適化のための制約付きマルコフ決定プロセスにMIイベント構造の事前知識を組み込んだフレームワークであるTSE-RLを提案する。 まず、TSE-RLは各ウィンドウにDis Discard、Onset、Sustain、Offsetアクションを通じて明示的なセマンティックロールを割り当て、バイナリ保持/破棄の決定をイベントレベルのアライメントに拡張する。 第二に、有限状態の機械マスクは、MI相の時間的順序を強制し、生理的に妥当なウィンドウ配列を促進するために、無効な動作をマスクする。 第3に、Transformerベースの履歴エンコーダは、ウィンドウ間の依存関係をキャプチャし、繰り返しアーキテクチャと比較してトレーニングの安定性と計算効率を改善する。 TSE-RLはプラグアンドプレイであり、様々なMI分類器と統合できる。 複数のベンチマークデータセットの実験では、クロスセッションとクロスオブジェクトの両方の設定でデコード性能が一貫した改善を示している。 可視化分析は、学習したウィンドウ選択ポリシーが神経生理学の原則と一致することを示唆している。

関連論文リスト

• Backend-Agnostic Sparse Attention for Fast High-Resolution Visual Generation [49.257426699033495]
  拡散変換器 (DiT) は画像生成と映像生成において高い性能を達成しているが, フルアテンションの2次複雑さは高分解能な生成を計算コストで実現する。 我々は,視覚的品質と実用的な加速度の両世界の長所をもたらす,バックエンドに依存しないスパースアテンションであるBASAを提案する。
  論文  参考訳（メタデータ） (2026-10-06T17:55:24Z)
• SPECTRA: Adaptive Execution of Speculative Decoding on a Runtime-Reconfigurable Tiled Architecture [2.2758671443400007]
  エッジデバイス上のLLM推論は、計算資源とメモリリソースによって制約される。 我々は、完全な投機的デコードパイプライン全体にわたって高い利用率を維持するランタイム再構成可能なタイル付きアーキテクチャであるSPECTRAを提案する。
  論文  参考訳（メタデータ） (2026-09-21T16:25:24Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• OptiCorNet: Optimizing Sequence-Based Context Correlation for Visual Place Recognition [2.3093110834423616]
  本稿では,新しいシーケンスモデリングフレームワークOptiCorNetを提案する。 空間的特徴抽出と時間的差分を微分可能でエンドツーエンドのトレーニング可能なモジュールに統一する。 本手法は,季節的・視点的な変化に挑戦し,最先端のベースラインよりも優れる。
  論文  参考訳（メタデータ） (2025-07-19T04:29:43Z)
• Designing Adaptive Algorithms Based on Reinforcement Learning for Dynamic Optimization of Sliding Window Size in Multi-Dimensional Data Streams [0.0]
  本稿では,多次元データストリームのスライディングウィンドウサイズを動的に最適化するRLに基づく新しい手法を提案する。 非定常性と高次元性を扱うために、Dueling Deep Q-Network (DQN) を優先的に体験再生する。 我々の手法であるRL-WindowはADWINやCNN-Adaptiveのような最先端の手法よりも、分類精度、ドリフトロバスト性、計算効率が優れている。
  論文  参考訳（メタデータ） (2025-07-09T14:40:35Z)
• ViaRL: Adaptive Temporal Grounding via Visual Iterated Amplification Reinforcement Learning [68.76048244253582]
  ビデオ理解におけるフレーム選択の最適化にルールベース強化学習(RL)を利用する最初のフレームワークであるViaRLを紹介する。 ViaRLは、下流モデルの応答精度を報奨信号として利用し、試行錯誤によってフレームセレクタを訓練する。 ViaRLは、多様なビデオ理解タスクに対して、時間的基盤性能と堅牢な一般化を一貫して提供します。
  論文  参考訳（メタデータ） (2025-05-21T12:29:40Z)
• STLight: a Fully Convolutional Approach for Efficient Predictive Learning by Spatio-Temporal joint Processing [6.872340834265972]
  チャネルワイドおよび深度ワイドの畳み込みを学習可能な層としてのみ依存する,S時間学習のための新しい方法STLightを提案する。 STLightは、空間次元と時間次元を並べ替えることで、従来の畳み込みアプローチの限界を克服する。 本アーキテクチャは,データセットや設定のSTLベンチマーク上での最先端性能を実現するとともに,パラメータや計算FLOPの計算効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-15T13:53:19Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)

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。