論文の概要: GRAFT-EEG: Gauge-Aware Physical Field Transport for Cross-Dataset Motor-Imagery EEG

• arxiv url: http://arxiv.org/abs/2610.23620v1
• Date: Fri, 16 Oct 2026 15:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.991029
• Title: GRAFT-EEG: Gauge-Aware Physical Field Transport for Cross-Dataset Motor-Imagery EEG
• Title（参考訳）: GRAFT-EEG:Gauge-Aware Physical Field Transport for Cross-Dataset Motor-Imagery EEG
• Abstract要約: クロスデータセットのEEGデコーディングは、しばしばモンタージュ、参照、アクティブセンサーの変更を表現シフトとして扱う。 ターゲットブラインド転送(ターゲットブラインド転送):フィッティングはターゲット信号、ラベル、または経験的統計を受信せず、電極座標は固定予測演算子のみをインスタンス化する。
• 参考スコア（独自算出の注目度）: 23.469967428018617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-dataset EEG decoding often treats montage, reference, and active-sensor changes as representation shift, although they also alter the observation operator. We study target-statistics-blind transfer: fitting receives no target signal, label, or empirical statistic, and electrode coordinates only instantiate a fixed prediction operator. method removes the active-set common-reference gauge and transports each native mask through a template motor leadfield. A source-fitted spectral classifier anchors the decision; a bounded state-space-model (SSM) residual is secondary. We establish restricted identifiability and an operator-perturbation bound. Across five leave-one-dataset-out targets (253 participants), dynamic method achieved 60.865% equal-target balanced accuracy versus 52.684% for strict-clean 5/5 BIOT (hierarchical difference +8.182 points; 95% CI +6.382 to +10.196; positive in every target). On four EEGPT-clean targets, the descriptive means were 61.520% and 59.057%. In four post-hoc exact same-parent tests, FULL exceeded coordinate-basis, matched-spectrum, row-shuffled, and wrong-anatomy controls by 9.959, 9.698, 11.241, and 3.985 points, respectively (all 95% CIs excluded zero; Holm-adjusted P<0.001). A separate 60-participant same-paradigm evaluation retained a positive physical-operator contrast (+4.029 points; +2.338 to +5.773), whereas dynamic--static was inconclusive; its preregistered status is partial confirmation rather than unrestricted external validation. The SSM added +1.059 points (+0.013 to +1.892). Claims remain bounded to five binary motor-imagery domains and the tested operators.
• Abstract（参考訳）: クロスデータセットのEEGデコーディングは、しばしばモンタージュ、参照、アクティブセンサーの変更を表現シフトとして扱うが、観察演算子も変更する。 本研究では, 目標信号, ラベル, 経験統計を受信せず, 電極座標は固定予測演算子のみをインスタンス化する。 メソッドはアクティブセットの共通参照ゲージを削除し、テンプレートモータリードフィールドを介して各ネイティブマスクを転送する。 ソース適合スペクトル分類器は決定をアンカーし、境界状態空間モデル(SSM)残余は二次的である。 制限された識別可能性と演算子・摂動境界を確立する。 5つのLeft-one-dataset-outターゲット(253名)で、ダイナミックメソッドは60.865%の平衡精度を達成し、厳密なクリーンな5/5BIOTでは52.684%(階層的差+8.182点、95% CI +6.382から+10.196点、各ターゲットでは正)。 4つのEEGPTクリーンターゲットでは、記述手段は61.520%と59.057%であった。 4つのポストホック検体では、FULLは座標基底、マッチングスペクトル、行シャッフル、間違った解剖学的制御を9.959、9.698、11.241、および3.985点で上回った(すべての95%CIはゼロ、ホルム調整P<0.001)。 別個の60名による同じパラダイムの評価では、正の物理的コントラスト(+4.029点+2.338から+5.773点)を維持していたが、動的静的は決定的ではなかった。 SSMは+1.059点(+0.013から+1.892)を加えた。 主張は5つのバイナリ・モーター・イメージング・ドメインとテスト・オペレーターに縛り付けられている。

関連論文リスト

• CÆNL: Collapse-Based Active Neural Learning with Objective-Aligned Representation Control [2.28438857884398]
  アクティブラーニングは、後続のラベルを取得するために使われる表現を変更する。 我々は、この相互作用をCNL(Collapse-Based Active Neural Learning)を通して研究し、獲得、動的崩壊規則化(Dynamic Collapse Regularization、DCR)とその係数ポリシーを分離する。 6シードの分類比較は2つのバックボーンのそれぞれに対して、別個の制御選択と10シードの評価による104ランの試験によって補完される。
  論文  参考訳（メタデータ） (2026-10-13T00:12:58Z)
• Counterfactual Action Evaluation, Observation Bottlenecks, and Representation Geometry in Joint-Embedding Predictive World Models [0.0]
  低遅延予測誤差は、世界モデルがその行動の結果を区別することを証明しない。 本研究では,シミュレーション状態,観測,ターゲット埋め込み,予測器出力を通じて,同じ介入をトレースする評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-10-02T05:54:13Z)
• DeBERTa-ConPara: Attack-Aware and Deployment-Realistic Detection of AI-Generated Text [42.255101883505056]
  DeBERTa-ConParaは,HC3 Plus,M4,MAGE,RAIDで学習した文脈変換器エンコーダと,攻撃対応Unicode前処理を組み合わせたデプロイメント指向検出器である。 我々の中心的な発見は、前処理が適用された場所によって反対方向に作用することである。 2つの配置の因子的変化は、正規化推論による生のトレーニングを最高の設定として独立に識別する。 12種類の攻撃クラスのうち、ホモグリーフとゼロ幅空間の挿入は11.05%から1.12%から96.98%に増加した。
  論文  参考訳（メタデータ） (2026-10-01T00:57:33Z)
• 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)
• GroundBench: A Factorized, Counterfactual Benchmark for Locating VLM Affordance Failures [0.0]
  コンパニオン評価により、8つの視覚言語モデルにおいて、操作中の対象部位の命名により動作精度が0.32-0.63向上することが判明した。 しかし、部品の命名は、実際のシステムが推論し、視覚的接地、機械的推論、カテゴリー対アクションの関連性を見極めなければならない情報を提供する。 GroundBenchは、これらの説明を6つのブランチ・アンド・マージ条件で分離する診断ベンチマークである。
  論文  参考訳（メタデータ） (2026-09-10T14:52:26Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Multimodal Evaluator Preference Collapse: Cross-Modal Contagion in Self-Evolving Agents [1.0152838128195467]
  EPC(Evaluator Preference Collapse)はマルチモーダル環境で劇的に増幅されていることを示す。 次に、クロスモーダル感染と呼ばれる新しい現象を示す。 我々は、モデル間評価器アーキテクチャを優先ドリフトの主なリスク要因とみなす。
  論文  参考訳（メタデータ） (2026-06-15T13:18:20Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• The Metacognitive Monitoring Battery: A Cross-Domain Benchmark for LLM Self-Monitoring [0.0]
  本稿では,Nelson and Narens(1990)メタ認知フレームワークを基盤としたLLMにおけるモニタリング制御結合のドメイン間挙動測定を紹介する。 電池依存キャリブレーションは、単調低下(Q)、単調上昇(GPT-5.4)、平(Gemma)を含む。 発見は、独立なType-2 SDTアプローチと構造的に収束し、予備的なクロスメタルキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2026-04-17T05:15:15Z)

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。