論文の概要: REVBRAIN: Real-time Probabilistic EEG Forecasting Using Residual Vector Quantization

• arxiv url: http://arxiv.org/abs/2610.38558v1
• Date: Wed, 28 Oct 2026 09:53:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.389651
• Title: REVBRAIN: Real-time Probabilistic EEG Forecasting Using Residual Vector Quantization
• Title（参考訳）: REVBRAIN:残差ベクトル量子化を用いたリアルタイム確率的脳波予測
• Abstract要約: REVBRAINは、予測水平線全体の予測を一度に生成することで、リアルタイムで予測を生成する。 我々は、REVBRAINがラップトップGPU上でリアルタイムの推論を達成し、WaveNetと比較して50ドル以上のスピードアップを達成したことを発見した。
• 参考スコア（独自算出の注目度）: 5.145510231038666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time forecasting of resting-state EEG signals is required by applications like brain-state-dependent stimulation, where computer generated actions are coupled with ongoing neural oscillations. Recently, the deep learning model WaveNet was proposed for the forecasting task. It shows superior accuracy compared to the prevailing method, the linear autoregressive (AR) model, and provides a built-in uncertainty measure due to its probabilistic modeling framework. However, inference using WaveNet is too slow for real-time use due to its sample-by-sample autoregressive operation: a single forecast requires evaluating the model tens or hundreds of times depending on the length of the prediction window. In this paper, we present REVBRAIN, a probabilistic deep learning method that produces forecasts in real time by generating the forecast over the whole prediction horizon at once. This is achieved by tokenizing the output space using residual vector quantization (RVQ) and generating forecasts over the items in the tokenized space. We tested REVBRAIN for forecasting 200 ms of EEG time series in the alpha-frequency band (8-13 Hz) and compared our results against WaveNet model. We found that REVBRAIN achieved real-time inference on a laptop GPU and an over $50\times$ speedup compared to WaveNet, while reaching superior prediction accuracy. By achieving real-time inference speed, REVBRAIN enables incorporating accurate and probabilistic EEG forecasting into BCI applications, opening up new ways for investigating the functioning of the human brain.
• Abstract（参考訳）: 静止状態脳波信号のリアルタイム予測は、脳状態に依存した刺激のような応用によって要求される。 近年,予測タスクには深層学習モデルWaveNetが提案されている。 一般的な手法である線形自己回帰(AR)モデルと比較して精度が優れており、確率的モデリングフレームワークによる不確実性の評価が組み込まれている。 しかし、WaveNetを使用した推論はサンプル・バイ・サンプルの自己回帰操作のためにリアルタイムの使用には遅すぎる:単一の予測では、予測ウィンドウの長さに応じて、モデルを数回、数百回評価する必要がある。 本稿では,予測地平線全体の予測を同時に生成することにより,予測をリアルタイムに生成する確率的深層学習手法REVBRAINを提案する。 これは、残差ベクトル量子化(RVQ)を用いて出力空間をトークン化し、トークン化された空間内のアイテムに対する予測を生成することで達成される。 アルファ周波数帯(8-13Hz)で200ミリ秒の脳波時系列を予測するためにREVBRAINを試験し,WaveNetモデルと比較した。 我々は、REVBRAINがラップトップGPU上でリアルタイムの推論を達成し、WaveNetと比較して50ドル以上のスピードアップを達成したが、予測精度は優れていた。 リアルタイムの推論速度を達成することで、REVBRAINは正確で確率的な脳波予測をBCIアプリケーションに組み込むことを可能にし、人間の脳の機能を調べる新しい方法を開く。

関連論文リスト

• TARFVAE: Efficient One-Step Generative Time Series Forecasting via TARFLOW based VAE [3.7770105485163206]
  本稿では,Transformer-based autoregressive Flow (TARFLOW) と変動型オートエンコーダ (VAE) を組み合わせた新しい生成フレームワークであるTARFVAEについて述べる。 単純なモジュールでは、TARFVAEはデータセット上の様々な予測地平線を越えて、最先端の決定論的および生成的モデルよりも優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T03:19:14Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
  本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。 我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
  論文  参考訳（メタデータ） (2021-07-26T14:55:02Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。