論文の概要: EEGDash Corpus: A Training-Ready Public Corpus for EEG Foundation Models
- arxiv url: http://arxiv.org/abs/2611.06356v1
- Date: Wed, 04 Nov 2026 11:17:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.092382
- Title: EEGDash Corpus: A Training-Ready Public Corpus for EEG Foundation Models
- Title（参考訳）: EEGDash Corpus: EEGファウンデーションモデルのためのトレーニング可能なパブリックコーパス
- Abstract要約: 脳波の基礎モデル(EEG)は数万時間の記録で事前訓練されている。
77のパブリックEEGデータセットからなるトレーニング対応コーパスであるeegdash-corpus-v0をリリースしました。
- 参考スコア（独自算出の注目度）: 0.34956406636452625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foundation models for electroencephalography (EEG) are pretrained on tens of thousands of hours of recordings, and their accuracy grows with that amount. Such data is hard to assemble. The largest sources are clinical archives that cannot be redistributed, and the public sources are spread over several archives, file formats, and licences. We release eegdash-corpus-v0, a training-ready corpus of 77 public EEG datasets, as the gated Hugging Face dataset EEGDash/eegdash-corpus-v0 with the SHA-256 of every file. REVE, the largest published EEG foundation model, names 89 datasets as its pretraining corpus. Twelve cannot be redistributed: four clinical archives that hold 82% of its hours, and eight under no-derivatives licences. The corpus holds the 76 others that REVE's sampling rate allows and one more from REVE's release card: 77 datasets, 14,075 hours from 7,272 subjects, 5.0 million 10-second samples and 6.21 billion tokens per epoch. Every dataset is fetched through EEGDash, converted once with REVE's recipe, and stored in its own buckets of a chunked Zarr store with its licence recorded beside it, so a model can train on the whole store or on any subset of datasets. To test that the store pretrains a model, we retrain REVE-Base from scratch twice with the authors' code, changed only in how it reads data, and score it on seven public OpenEEGBench tasks. It reaches 0.331 under linear probing and 0.273 after fine-tuning, against 0.333 and 0.325 for the released model and 0.200 and 0.205 for an untrained encoder. The converter, the conversion reports, and the loader changes are released with the corpus.
- Abstract（参考訳）: 脳波の基礎モデル(EEG)は数万時間の録音で事前訓練されており、その精度はその量で増大する。
このようなデータは組み立てが難しい。
最大のソースは再配布できない臨床アーカイブであり、公開ソースは複数のアーカイブ、ファイルフォーマット、ライセンスに分散している。
私たちはHugging FaceデータセットEEGDash/eegdash-corpus-v0として、77のパブリックEEGデータセットのトレーニング対応コーパスであるeegdash-corpus-v0をリリースしました。
最大のEEG基盤モデルであるREVEは、89のデータセットを事前トレーニングコーパスに指定している。
12は再配布できない:4つの臨床アーカイブは82%の時間を保持し、8つは非デリバティブライセンスである。
このコーパスは、REVEのサンプリングレートが許容する76の他、77のデータセット、7,272人の被験者から14,075時間、5.0百万の10秒サンプル、6.21億トークンというREVEのリリースカードからもう1つのデータを格納している。
すべてのデータセットはEEGDashを通じてフェッチされ、REVEのレシピで一度変換され、チャンクされたZailストアの独自のバケットに格納される。
ストアがモデルを事前トレーニングすることをテストするため、著者のコードで2回スクラッチからREVE-Baseをトレーニングし、データの読み方だけを変更し、7つの公開OpenEEGBenchタスクでスコア付けします。
線形探査で0.331点、微調整後0.273点、放出されたモデルで0.333点、0.325点、未訓練のエンコーダで0.200点、0.205点に達した。
コンバータ、変換レポート、ローダの変更をコーパスで解放する。
関連論文リスト
- Invent a Dataset: Measuring dataset generation abilities with zero seed [17.43731047053719]
Invent-A-Datasetは、データセット記述から、現実的で大規模なトレーニング後のデータセットに移行するための、プロンプトベースのシステムである。
Anthropic、Google、Open AI、DeepSeek、Zaiを含む5つのフロンティアモデルAPIに対して、Invent-A-Datasetを評価します。
論文 参考訳（メタデータ） (2026-10-01T13:32:06Z) - ufakzeka-1: Building and Evaluating a 151M-Parameter Turkish Language Model from Scratch [0.0]
ufakzeka-1 は 151M-パラメータ (182M) で、デコーダのみのトルコ語モデルで13.5B のトークンでスクラッチから事前訓練された。
1ワードあたり1.77トークンのトルコのバイトレベルのトークンライザ、3段階の事前訓練スケジュール、オープンライセンスと生成されたデータのトレーニング後の混合、リリースゲートの評価バッテリ、ルールチェックによる5,508の会話、判断された会話と手動テスト、これらはすべてトレーニングデータから保持されたプロンプトで、データビルド内とチェック--によって強制される。
論文 参考訳（メタデータ） (2026-09-18T20:33:02Z) - In-Cell Learning: Deployed Language Models Can Learn New Knowledge Without Changing a Single Stored Bit [4.726337413307433]
4ビットのリリースでは、各重みを整数コードと共有スケールとして格納し、格納された値の間に量子化器が捨てる間隔を残していることを示す。
私たちは、新しい知識をそのインターバルに書き込むパラダイムを、インセルラーニングと呼ぶ。
CellFillは、内部の低ランクの位置をベンダー自身の4ビットリリースでトレーニングすることで、構築によってパラダイムを実現する。
論文 参考訳（メタデータ） (2026-08-21T08:49:07Z) - Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。
既存のアプローチは、ゼロから完全なモデル実装を生成します。
我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
論文 参考訳（メタデータ） (2026-05-06T13:32:05Z) - PashtoCorp: A 1.25-Billion-Word Corpus, Evaluation Suite, and Reproducible Pipeline for Low-Resource Language Development [0.0]
パシュトコープ (PashtoCorp) は、パシュト語(英語版)の1.25ビリオン語コーパスである。
PashtoCorpは2.81億の文書にまたがる1.25Bワードで、OSCARのPashtoサブセットの40倍、かつての最大の専用Pashtoコーパスの83倍の大きさである。
論文 参考訳（メタデータ） (2026-03-17T10:36:18Z) - Apertus: Democratizing Open and Compliant LLMs for Global Language Environments [163.70368742538187]
Apertusは、今日のオープンモデルエコシステムにおける2つのシステム的欠点に対処するために設計された、大きな言語モデル(LLM)の完全なオープンスイートである。
Apertusモデルは、公開データにのみ事前訓練されており、ロボット.txtの除外や、非許容的で有毒で個人が特定可能なコンテンツに対するフィルタリングを尊重している。
Apertusモデルはまた、1800以上の言語から15Tトークンをトレーニングし、非英語コンテンツに割り当てられた事前トレーニングデータの40%をトレーニングしている。
論文 参考訳（メタデータ） (2025-09-17T17:59:21Z) - The Common Pile v0.1: An 8TB Dataset of Public Domain and Openly Licensed Text [80.96405293220265]
オープンライセンスの8テラバイトのテキストコレクションであるCommon Pile v0.1を収集、キュレート、リリースしています。
Common Pileは、研究論文、コード、書籍、百科事典、教育資料、オーディオ書き起こしなど、さまざまな分野にまたがる30のソースからのコンテンツで構成されている。
我々は,コモンパイルからテキストで20億のパラメータLSMをトレーニングすることで,我々の努力を検証する。
論文 参考訳（メタデータ） (2025-06-05T16:21:30Z) - OpenThoughts: Data Recipes for Reasoning Models [215.16652796083164]
OpenThoughtsプロジェクトは、推論モデルをトレーニングするためのオープンソースのデータセットを作成することだ。
OpenThoughts2-1Mデータセットは、公開推論データに基づいてトレーニングされた最初のモデルであるOpenThinker2-32Bに導かれた。
OpenThoughts3-7Bモデル。
論文 参考訳（メタデータ） (2025-06-04T17:25:39Z) - DataDecide: How to Predict Best Pretraining Data with Small Experiments [67.95896457895404]
私たちはDataDecideのモデル、データ、評価を公開しています。
最大100Bトークン,最大1Bパラメータのモデルサイズ,および3つのランダムシードを用いて,25コーパスにわたる事前学習実験を行った。
論文 参考訳（メタデータ） (2025-04-15T17:02:15Z) - "ScatSpotter" 2024 -- A Distributed Dog Poop Detection Dataset [0.0]
現在42ギガバイトの犬糞の電話画像のデータセットを新たに導入しました。
6kのフル解像度イメージと4kの詳細なポリゴンアノテーションがある。
画像の収集とアノテーションは2020年後半に開始され、データセットは約1GB成長している。
論文 参考訳（メタデータ） (2024-12-21T04:05:29Z) - Injecting Domain Adaptation with Learning-to-hash for Effective and
Efficient Zero-shot Dense Retrieval [49.98615945702959]
我々は,TAS-B高密度検索器の下流ゼロショット検索精度を向上させるためのLTHおよびベクトル圧縮技術を評価する。
以上の結果から, 従来の研究とは異なり, LTH法はゼロショットTAS-B高密度レトリバーを平均14%のnDCG@10で過小評価できることがわかった。
論文 参考訳（メタデータ） (2022-05-23T17:53:44Z)
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。