論文の概要: TriRouter: Sparse-to-Dense Electrode-Space Routing for Robust EEG Motor Imagery Decoding

• arxiv url: http://arxiv.org/abs/2610.23665v1
• Date: Fri, 16 Oct 2026 15:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.000414
• Title: TriRouter: Sparse-to-Dense Electrode-Space Routing for Robust EEG Motor Imagery Decoding
• Title（参考訳）: TriRouter:ロバストな脳波モータ画像復号のための疎密度電極空間ルーティング
• Abstract要約: 運動画像脳-コンピュータインタフェースは、マルチチャネル脳波から信頼できる復号化を必要とする。 実用的な買収は、しばしばスパースまたは劣化した電極モンタージュを生じる。 そこで我々はTriを提案する。Triは、差別的保存、マスローバストネス、潜時補償パスを備えた電極空間ルーティングフレームワークである。
• 参考スコア（独自算出の注目度）: 22.028753963521854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor imagery brain-computer interfaces require reliable decoding from multichannel EEG, but practical acquisition often yields sparse or corrupted electrode montages. We propose TriRouter, an electrode-space routing framework with discriminative-preservation, mask-robustness, and latent-compensation paths. A validation-calibrated router uses observable channel availability to allocate path contributions, preserving complete-channel discrimination while increasing representation recovery under severe missingness. In BNCI2014-001, TriRouter outperforms standard public backbones and a dynamic-spatial-filtering corrupted-EEG baseline. It improves accuracy over the strongest corrupted-EEG baseline by 3.68, 4.02, and 6.46 percentage points at nominal 25%, 50%, and 75% missing settings, and remains effective under structured regional missingness and additional low-channel dataset evaluation.
• Abstract（参考訳）: 運動画像脳-コンピュータインタフェースは、マルチチャネル脳波からの信頼性の高い復号を必要とするが、実用的な取得は、しばしばスパースまたは劣化した電極モンタージュを生成する。 本稿では,TriRouterを提案する。 検証校正ルータは、観測可能なチャネルアベイラビリティを使用してパスコントリビューションを割り当て、完全なチャネル識別を保ちながら、深刻な不足下での表現回復を増大させる。 BNCI2014-001では、TriRouterは標準のパブリックバックボーンと動的空間フィルタによるEEGベースラインを上回ります。 最強の崩壊したEEGベースラインの精度を3.68、4.02、および6.46ポイント向上させ、名目25%、50%、75%の不足設定を達成し、構造化された地域的欠落と追加の低チャネルデータセット評価の下でも有効である。

関連論文リスト

• Beyond Flattened Tokens: Structure-Preserving EEG Decoding with Reusable TriDim Blocks [12.516112408628507]
  TriDimは3つのEEG軸を明示的に保持する再利用可能なブロックである。 マルチレベルな3軸リードアウトでTriDimブロックを積み重ねることで、スタンドアロンのEEGデコーダであるTriDimEEGを構築する。
  論文  参考訳（メタデータ） (2026-09-17T07:52:27Z)
• RARE: Decoupling Representation Steering from Expert Routing in Mixture-of-Experts Language Models [13.298401993417611]
  本稿では,MoE言語モデルのためのルータに依存しない表現工学フレームワークを提案する。 RAREは任意の挙動摂動をルータ行列のヌル空間に投影し、ルータ可視成分を除去する。 有害なステアリングでは、RAREは平均攻撃成功率53.3%に達し、67.8%のMMLU精度を維持している。
  論文  参考訳（メタデータ） (2026-08-21T15:45:36Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation [11.493595405428815]
  実展開における脳波空間超解像(EEGSR)は、ランダムチャネルの欠如、不安定な電極品質、不適切な接触やデバイス変動に起因する可視チャネルパターンの変化により、課題となる。 既存のEEGSR手法の多くは、事前に定義された入出力レイアウトの下で、固定された低-高チャネルマッピングを学習する。 我々は脳波を部分的に観察された支援チャネルから共有条件頭皮領域の学習として再構成する。
  論文  参考訳（メタデータ） (2026-06-12T03:48:57Z)
• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• Certified Circuits: Stability Guarantees for Mechanistic Circuits [80.30622018787835]
  Certified Circuitsは、回路発見のための証明可能な安定性を保証する。 ImageNetとOODデータセットでは、認定回路は91%高い精度を達成する。
  論文  参考訳（メタデータ） (2026-02-26T13:07:31Z)
• EAP-GP: Mitigating Saturation Effect in Gradient-based Automated Circuit Identification [62.611812892924156]
  飽和効果に対応するために,GradPath (EAP-GP) を用いたエッジパッチを提案する。 EAP-GPは、入力から始まり、飽和領域を避けるために、破損した入力とクリーン入力の勾配の違いの方向を適応的に追従する積分経路を導入する。 GPT-2 Small, GPT-2 Medium, GPT-2 XL を用いた6つのデータセットの EAP-GP の評価を行った。
  論文  参考訳（メタデータ） (2025-02-07T16:04:57Z)
• SCFNet:A Transferable IIIC EEG Classification Network [1.2781698000674653]
  単一チャネル特徴抽出(Singal Channel Feature)モデルバックエンド融合(SCFNet)を用いたニューラルネットワークアーキテクチャを提案する。 EEG-SCFNetの精度はベースラインモデルに比べて4%向上し、元のRCNNニューラルネットワークモデルに比べて1.3%向上した。
  論文  参考訳（メタデータ） (2024-12-16T02:08:19Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)

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。