論文の概要: NeuroAct: Advancing EEG Analysis and Decoding via Dual-Loop Autonomous Research

• arxiv url: http://arxiv.org/abs/2610.25211v1
• Date: Sun, 18 Oct 2026 12:09:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:06:22.934886
• Title: NeuroAct: Advancing EEG Analysis and Decoding via Dual-Loop Autonomous Research
• Title（参考訳）: NeuroAct: デュアルループ自律型研究による脳波解析と復号化の促進
• Abstract要約: 我々は脳波分析と復号のための自律的研究エージェントフレームワークNeuroActを紹介する。 NeuroActは、EEGファンデーションモデル、タスク固有の予測器、モデル組み合わせにまたがるデュアルループ自律研究を実装している。 我々は、(A)脳波総合解析、(B)クロスタスクモデル最適化、(C)シングルタスクオープンリサーチ、(D)協調予測の4つの設定を評価する。
• 参考スコア（独自算出の注目度）: 47.26111362558365
• License:
• Abstract: EEG analysis and decoding underpin brain-computer interfaces, cognitive assessment, and sleep monitoring. Fixed pipelines and reward-driven search do not explicitly determine how signal structure, representations, predictor behavior, and training dynamics contribute to performance or generalization gaps, leaving intervention choice underdetermined. We introduce NeuroAct, an autonomous research agent framework for EEG analysis and decoding. NeuroAct implements dual-loop autonomous research across EEG foundation models, task-specific predictors, and model combinations. In an inner loop, research, development, and review roles use evidence on signal structure, representations, predictor behavior, and training dynamics to test hypotheses, select analyses or interventions, and refine candidates using performance, stability, and cost feedback. An outer loop distills outcomes into conditional, testable recommendations with task and model conditions, then validates and revises them on subsequent tasks.We evaluate four settings: (A) EEG General Analysis, (B) Cross-task Model Optimization, (C) Single-task Open Research, and (D) Collaborative Prediction. In Setting A, NeuroAct's 80.88 macro-average exceeds BrainAgent's 63.13 by 17.75 points. In Setting B, NeuroAct raises EEGPT's mean balanced accuracy (BA) by 7.34 points and HBN Pearson's (r) from 0.6894 to 0.7362; in Setting C, it improves ADFTD BA by 16.33 points; and in Setting D, it raises Workload BA from 79.69% to 85.02%. Experience reuse raises BCIC-IV-2a BA from 34.66% to 50.81% while reducing LLM tokens by 64.02%, indicating recommendations improve cross-task performance. NeuroAct enables evidence-guided EEG research improved by cross-task experience.
• Abstract（参考訳）: 脳波分析とデコーディングは脳とコンピュータのインターフェース、認知評価、睡眠モニタリングを基盤にしている。 固定パイプラインと報酬駆動探索は、信号構造、表現、予測動作、トレーニングのダイナミクスがパフォーマンスや一般化のギャップにどのように貢献するかを明確に決定していない。 我々は脳波分析と復号のための自律的研究エージェントフレームワークNeuroActを紹介する。 NeuroActは、EEGファンデーションモデル、タスク固有の予測器、モデル組み合わせにまたがるデュアルループ自律研究を実装している。 内部ループでは、研究、開発、そしてレビューの役割は、信号構造、表現、予測器の振る舞い、そして、仮説のテスト、分析または介入の選択、性能、安定性、コストフィードバックを使って候補者を洗練させる訓練のダイナミクスに関する証拠を使用する。 脳波総合解析, (B) クロスタスクモデル最適化, (C) シングルタスクオープンリサーチ, (D) 協調予測の4つの設定を評価する。 設定Aでは、NeuroActの80.88マクロ平均値はBrainAgentの63.13よりも17.75ポイント高い。 設定Bでは、NeuroActはEEGPTの平均平衡精度(BA)を7.34ポイント、HBNピアソン(r)を0.6894から0.7362ポイント、設定CではADFTD BAを16.33ポイント、設定DではワークロードBAを79.69%から85.02%に向上させる。 BCIC-IV-2a BAは34.66%から50.81%に増加し、LSMトークンは64.02%削減された。 NeuroActは、クロスタスク体験によって改善されたエビデンス誘導脳波研究を可能にする。

関連論文リスト

• RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
  RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。 予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。 コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
  論文  参考訳（メタデータ） (2026-10-09T17:50:30Z)
• EHR-RobustGym: Benchmarking and Training Agents for Robust Clinical Reasoning [31.177637438276733]
  EHR-RobustGymは、ノイズの多いERHを基盤とした堅牢な臨床エージェントの評価と訓練を行うスケーラブルでインタラクティブな環境である。 EHR-RobustGymは、MIMIC-IV病院の記録(365K患者、31のテーブル、500万以上の記録)に基づいて構築され、6つの臨床目的と患者レベルおよび人口レベルの問合せにまたがる5,486のクリーンノイズ対で構成されている。
  論文  参考訳（メタデータ） (2026-09-30T09:23:10Z)
• Advancing Model Research in AgentX: Long-Horizon Autonomy for Industrial Recommender Systems [30.396000562716313]
  AgentX-Modelは提案開発とモデル実験を結びつける。 AgentX-Modelは、Research AgentとModel Agentで構成されるデュアルエージェントアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2026-09-24T15:45:07Z)
• Bringing analytic rigor to agentic AI for science: The Brain Researcher platform for neuroimaging data analysis [59.44063760362954]
  本稿では、神経イメージング研究者の計算環境で動作するエージェントリサーチハーネスであるBrain Researcherを紹介する。 ベンチマークでは、Brain Researcherは7つのモデルで第1選択ツールの選択精度を70.2ポイント向上させた。 共同研究と自己進化研究において、多元的分析によって分析選択感度が明らかにされ、科学的レビューでは、承認された、認定された、修正された、ブロックされた、拒否された、または延期された。
  論文  参考訳（メタデータ） (2026-08-20T11:13:27Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Bayesian Inference of Psychometric Variables From Brain and Behavior in Implicit Association Tests [0.786460153386845]
  我々は,インプリシット・アソシエーション・テスト(IAT)をデータ生成エンジンとして,神経・行動データからメンタルヘルス関連精神測定変数を推定する原理的手法を確立した。 マルチモーダルデータを利用して,精神疾患の症状に関連する経験を予測できる疎階層型ベイズモデルを提案する。
  論文  参考訳（メタデータ） (2026-03-17T16:20:55Z)
• Identifying and Transferring Reasoning-Critical Neurons: Improving LLM Inference Reliability via Activation Steering [50.63386303357225]
  本稿では,ニューロンの活性化に選択的に介入することで推論信頼性を向上させる軽量なテストタイムフレームワークであるAdaRASを提案する。 AdaRASは、極性を意識した平均差基準を介してReasoning-Critical Neurons(RCN)を特定し、推論中にアクティベーションを適応的に制御する。 10の数学およびコーディングベンチマークの実験では、AIME-24とAIME-25の13%以上のゲインを含む一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-27T17:53:01Z)
• From Static to Dynamic: Adaptive Monte Carlo Search for Mathematical Process Supervision [49.59309446816251]
  既存手法は, 定予算サンプリング戦略に基づいて, 推論ステップの質を推定する。 本稿では,データ生成を静的から適応に変換するフレームワークであるAdaptive Monte Carlo Search (AMCS)を提案する。 AMCSは、より多くのサンプルを不確実な推論ステップに割り当てることによって、予測を適応的に洗練し、予測しやすくする。
  論文  参考訳（メタデータ） (2025-09-29T06:52:35Z)
• End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills [1.710146779965826]
  本研究では,fNIRS信号を直接処理する新しいエンドツーエンドディープラーニングフレームワークを提案する。 平均分類精度は93.9%(SD 4.4)、一般化精度は92.6%(SD 1.9)である。
  論文  参考訳（メタデータ） (2025-03-21T22:56:54Z)
• Multimodal deep learning approach to predicting neurological recovery from coma after cardiac arrest [2.374912052693646]
  本研究の目的は,臨床データと多チャンネル脳波,心電図などの時系列データを用いて,心停止後のコマから神経学的回復を予測することである。 提案したモデルでは,自然循環復帰後,72ドル(約7,200円)の予測を行うために,隠れテストセットで0.53ドル(約5,800円)のスコアを得た。
  論文  参考訳（メタデータ） (2024-03-09T22:29:24Z)

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。