論文の概要: Do Speech BCIs Need Larger Models? Rethinking Neural Decoding beyond Scaling

• arxiv url: http://arxiv.org/abs/2610.23175v1
• Date: Fri, 16 Oct 2026 09:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.839816
• Title: Do Speech BCIs Need Larger Models? Rethinking Neural Decoding beyond Scaling
• Title（参考訳）: 音声BCIはより大規模なモデルを必要とするか? スケーリングを超えてニューラルデコーディングを再考する
• Abstract要約: BEST(Brain-oriented intermediate-Speech-Text)は、効率的なニューラル・トゥ・テキスト・デコーディングのための2段階のフレームワークである。 ワードエラー率(WER)はそれぞれ6.19%と1.62%で、同等の手法で要求されるパラメータの3.85%しか使っていない。
• 参考スコア（独自算出の注目度）: 20.392157428564776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent speech brain-computer interfaces (BCIs) increasingly rely on large models and complex multi-stage pipelines for neural decoding. However, in speech BCI, where training data are scarce, noisy, and expensive to collect, the benefits of model scaling remain unclear. This work revisits a fundamental question: are large models truly necessary for accurate neural decoding? We propose BEST (Brain-Encoding-Speech-Text), a two-stage framework for efficient neural-to-text decoding. Instead of relying on large generative models or phoneme-centric pipelines, BEST introduces hierarchical intermediate representations and a compact speech-oriented decoder that directly maps neural activity to text. This design preserves essential structure while significantly reducing computational cost, enabling robust generalization in low-resource settings and practical deployment under constrained resources. On the Brain-to-Text '24 and '25 benchmarks, BEST achieves word error rates (WERs) of 6.19% and 1.62%, respectively, using only 3.85% of the parameters required by comparable methods. Beyond these results, we provide three key insights: (1) decoder scaling yields non-monotonic gains; (2) cross-modal alignment is more critical than model size; and (3) overfitting degards sequence-level performance. Representation analysis further reveals a consistent neural-audio-text alignment pathway.
• Abstract（参考訳）: 最近の音声脳-コンピュータインタフェース(BCI)は、ニューラルデコードのための大規模モデルや複雑な多段階パイプラインに依存している。 しかし、トレーニングデータが乏しく、騒々しく、収集する費用がかかる音声BCIでは、モデルスケーリングの利点は依然として不明である。 大規模なモデルは、正確なニューラルデコーディングに本当に必要か? 本稿では,BEST(Brain-Encoding-Speech-Text)を提案する。 大きな生成モデルや音素中心のパイプラインに頼る代わりに、BESTは階層的な中間表現と、ニューラルアクティビティを直接テキストにマッピングするコンパクトな音声指向デコーダを導入している。 この設計は計算コストを著しく削減しつつ本質的な構造を保ち、低リソース環境での堅牢な一般化と制約されたリソース下での実践的展開を可能にする。 Brain-to-Text '24と'25ベンチマークでは、それぞれ6.19%と1.62%のワードエラー率(WER)を達成している。 これらの結果以外にも,(1)デコーダのスケーリングが非単調なゲインを生み出すこと,(2)クロスモーダルアライメントがモデルサイズよりも重要であること,(3)シーケンスレベルの性能を過度に考慮すること,の3つの重要な洞察を提供する。 表現解析により、一貫したニューラルオーディオテキストアライメントパスが明らかにされる。

関連論文リスト

• Integrating Language Models into Listened and Imagined Speech Decoding from MEG [19.774038251336375]
  我々は、MEG表現を音響および文脈言語表現と整合させるニューラルデコーダを訓練する。 音声音声の復号化は,音声音声の復号化よりも,言語モデルから恩恵を受けることが判明した。
  論文  参考訳（メタデータ） (2026-09-25T20:55:26Z)
• UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
  既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。 本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。 結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-04-30T06:30:24Z)
• Decoding inner speech with an end-to-end brain-to-text neural interface [33.17572163528015]
  音声脳-コンピュータインタフェース(BCI)は、神経活動をテキストに翻訳することで麻痺のある人々のコミュニケーションを回復することを目的としている。 本稿では、単一微分可能なニューラルネットワークを用いて、ニューラルネットワークをコヒーレントな文に変換する、エンドツーエンドのBrain-to-Textフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-11-21T21:25:54Z)
• In-Context Language Learning: Architectures and Algorithms [73.93205821154605]
  我々は、文脈言語学習(ICLL)において、私たちが用語する新しいモデル問題群(英語版)のレンズを通してICLを研究する。 我々は,通常のICLLタスクにおいて,多種多様なニューラルシーケンスモデルを評価する。
  論文  参考訳（メタデータ） (2024-01-23T18:59:21Z)
• Scaling laws for language encoding models in fMRI [47.498241053872924]
  我々は、fMRIを用いて記録された脳の反応を予測するために、より大きなオープンソースモデルの方が優れているかどうかを検証した。 同様の対数行動は、fMRIトレーニングセットのサイズを拡大する際に観察された。 これらの結果は、脳内の言語処理の極めて効果的なモデルが得られることを示唆している。
  論文  参考訳（メタデータ） (2023-05-19T17:53:03Z)
• Audio-Visual Efficient Conformer for Robust Speech Recognition [91.3755431537592]
  本稿では,近年提案されている高能率コンバータ接続性時間分類アーキテクチャの雑音を,音声と視覚の両方を処理して改善することを提案する。 実験の結果,音声と視覚のモダリティを用いることで,環境騒音の存在下での音声の認識が向上し,トレーニングが大幅に加速し,WERが4倍のトレーニングステップで低下することが確認された。
  論文  参考訳（メタデータ） (2023-01-04T05:36:56Z)
• Variable Bitrate Neural Fields [75.24672452527795]
  本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。 辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
  論文  参考訳（メタデータ） (2022-06-15T17:58:34Z)
• WavThruVec: Latent speech representation as intermediate features for neural speech synthesis [1.1470070927586016]
  WavThruVecは、高次元のWav2Vec 2.0埋め込みを中間音声表現として使用することでボトルネックを解決する2段階アーキテクチャである。 提案モデルは,最先端のニューラルモデルの品質に適合するだけでなく,音声変換やゼロショット合成といったタスクを可能にする有用な特性も提示する。
  論文  参考訳（メタデータ） (2022-03-31T10:21:08Z)
• Neural Vocoder is All You Need for Speech Super-resolution [56.84715616516612]
  音声スーパーレゾリューション(SR)は、高周波成分を生成して音声サンプリング率を高めるタスクである。 既存の音声SR法は、固定的なアップサンプリング比のような制約のある実験環境で訓練される。 本稿では,ニューラルボコーダを用いた音声超解法(NVSR)を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:51:00Z)

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。