論文の概要: Probing Spatial and Spectral Grounding in EEG Foundation Models

• arxiv url: http://arxiv.org/abs/2610.29367v1
• Date: Wed, 21 Oct 2026 07:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.235729
• Title: Probing Spatial and Spectral Grounding in EEG Foundation Models
• Title（参考訳）: 脳波基礎モデルにおける空間・スペクトルグラウンドの探索
• Abstract要約: 2つの接地軸に摂動プローブの組を導入する。 これらのプローブを、運動画像と発作記録の5つの脳波基礎モデルに適用する。 実験の結果,表現感度と下流依存性の差が認められた。
• 参考スコア（独自算出の注目度）: 8.615297718942385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EEG foundation models are advancing at an unprecedented pace, yet their evaluation is driven by downstream accuracy, which reveals little about whether their predictions rely on physiologically interpretable signal structure. We introduce a set of perturbation probes in two grounding axes: spatial grounding in channel identity and topographic locality, and spectral grounding in oscillatory content and waveform morphology. We apply these probes to five published EEG foundation models across motor-imagery and seizure recordings. Our experiments reveal differences in both representational sensitivity and downstream reliance. Electrode identity may be encoded without influencing downstream classification: permuting LaBraM's positional codes heavily displaced its embeddings yet reduced motor-imagery accuracy by only 1.2 points, while spectral details may be discriminable without producing specific responses to simulated clinical markers, as only REVE exceeded a spectral baseline on this task. These dissociations are hidden in common benchmarks, demonstrating how grounding probes can complement performance-based evaluation by revealing what EEG foundation models encode and what their predictions depend on.
• Abstract（参考訳）: 脳波基礎モデルは前例のないペースで進んでいるが、その評価は下流の精度によって進められており、その予測が生理学的に解釈可能な信号構造に依存しているかどうかはほとんど明らかではない。 そこで我々は,2つの接地軸に摂動プローブの組を導入し,チャネルアイデンティティと地形的局所性における空間的接地と,振動量および波形形態におけるスペクトル的接地について検討した。 これらのプローブを、運動画像と発作記録の5つの脳波基礎モデルに適用する。 実験の結果,表現感度と下流依存性の差が認められた。 LaBraMの位置符号を置換すると、その埋め込みは大幅にずれるが、運動画像の精度は1.2ポイントしか低下するが、スペクトルの詳細は、シミュレーションされた臨床マーカーに対して特定の反応を起こさなくても識別できる。 これらの解離は共通のベンチマークに隠れており、脳波基盤モデルが符号化したものと、それらの予測が依存するものを明らかにすることによって、基底プローブがパフォーマンスベースの評価を補完することを示す。

関連論文リスト

• EEG-Xplain: Decoding Neural Black-Boxes of EEG Foundation Models [8.430851504111585]
  BIOT、LaBraM、EEGMambaといったEEG基盤モデルは、神経信号の復号化において顕著な性能を発揮している。 異種アーキテクチャ間でEEG基盤モデルを解釈するための統合属性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:56:07Z)
• Probing Geospatial SSL Representations with Environmental Signals [51.908606610432194]
  自己教師付き学習(SSL)は、単一のタスクに最適化された表現ではなく、汎用的で転送可能な表現を学ぶように設計されている。 SSL表現は、イメージングプロセスと共変する環境変数との統計的関連を保存しているか? この問題に対処するために、我々は、物理的に一貫した環境変数のグローバルデータセットである共配置ERA5再解析変数を用いてSSL表現を探索する。
  論文  参考訳（メタデータ） (2026-07-06T15:24:25Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
  ドメインシフトはデータセットの確率分布の微妙な違いである。 高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。 ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
  論文  参考訳（メタデータ） (2026-05-15T12:58:00Z)
• SPECTRE: Spectral Pre-training Embeddings with Cylindrical Temporal Rotary Position Encoding for Fine-Grained sEMG-Based Movement Decoding [16.992187199187764]
  非侵襲的表面筋電図(sEMG)からの微細な運動の復号は、信号非定常性と低信号-雑音比による補綴制御の課題である。 これらの制限を克服するために、ドメイン固有のSSLフレームワークであるSPECTREを紹介します。 SPECTREは動作復号化のための新しい最先端技術を確立し、教師付きベースラインと汎用SSLアプローチの両方を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-12-27T05:55:06Z)
• Convolutional Monge Mapping between EEG Datasets to Support Independent Component Labeling [0.45880283710344066]
  脳波記録は神経活動に関する豊富な情報を含んでいる。 それらは、センサー、アンプ、フィルタリングによる人工物、ノイズ、表面的な違いを被る。 独立コンポーネント分析と独立コンポーネントの自動ラベリングは、EEGパイプラインにおけるアーティファクトの除去を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T19:01:14Z)
• DEMONet: Underwater Acoustic Target Recognition based on Multi-Expert Network and Cross-Temporal Variational Autoencoder [22.271499386492533]
  複雑な水中環境のため、実世界のシナリオで堅牢な水中音響認識システムを構築することは困難である。 ノイズの封筒変調(DEMON)を検出することで,ターゲットのシャフト周波数やブレード数に対するロバストな洞察を提供するDEMONetを提案する。 DEMON特徴量におけるノイズとスプリアス変調スペクトルを緩和するために、時間的アライメント戦略を導入し、ノイズ耐性のDEMONスペクトルを再構成して生のDEMON特徴量を置き換えるために可変オートエンコーダ(VAE)を用いる。
  論文  参考訳（メタデータ） (2024-11-05T03:04:51Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)

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。