arXiv:2507.21037v3 cs.LG

피험자 간 EEG 디코딩을 위한 뇌 파운데이션 모델 기반 소스 선택적 도메인 적응

Brain foundation model-guided source-selective domain adaptation for cross-subject EEG decoding

Jinzhou Wu, Baoping Tang, Qikang Li, Yi Wang, Cheng Li, Shujian Yu

제출 2025-07-28

저자 비고

arXiv Comments

22 pages, 11 figures

한국어 초록

피험자 간(cross-subject) 운동 심상(motor-imagery) 뇌전도(EEG, MI-EEG) 디코딩은 피험자 간 변동성이 커서, 매칭이 잘 되지 않는 소스 피험자로부터의 음의 전이(negative transfer)와 소스-타깃 도메인 간의 지속적인 분포 차이를 동시에 유발할 수 있기 때문에 여전히 어려운 과제이다. 기존의 다중 소스 도메인 적응 방법들은 흔히 가능한 모든 소스 도메인을 사용하거나 신호 수준 또는 태스크 특화 표현을 이용해 소스 관련성을 추정하며, 분포 정렬(distribution alignment)은 특징(feature) 수준에서만 수행되는 경우가 많다. 이러한 한계는 무관한 소스 지식을 유입시키고 피험자 간 클래스 판별 구조를 보존하지 못하는 결과를 낳을 수 있다. 본 연구에서는 피험자 간 MI-EEG 디코딩을 위한 뇌 파운데이션 모델 기반 다중 소스 도메인 적응 프레임워크(BFM-MSDA)를 제안한다. 이 방법은 먼저 사전학습된 뇌 파운데이션 모델이 학습한 표현을 활용하여 소스-타깃 호환성을 추정하고 타깃과 관련된 소스를 검색한다. 이어서 선택된 소스와 레이블이 없는 타깃 도메인에 관련성 가중 이중 정렬(relevance-weighted dual alignment) 전략을 적용한다. 구체적으로, 코시-슈바르츠(Cauchy–Schwarz, CS) 발산을 사용하여 주변 특징 분포(marginal feature distribution)의 차이를 줄이고, 조건부 코시-슈바르츠(conditional Cauchy–Schwarz, CCS) 발산을 통해 클래스에 의존적인 결정 분포(decision distribution)를 추가로 정렬한다. 소스 관련성은 두 정렬 항 모두에 반영되어, 전이 가능성이 더 높은 소스 피험자가 적응 과정에 더 강하게 기여하도록 한다. 두 개의 공개 MI-EEG 벤치마크에서의 실험은 각각 평균 정확도 86.16%와 78.41%를 달성하여 대표적인 피험자 간 디코딩 및 도메인 적응 방법들을 능가하였다. 대규모 소스 풀을 이용한 추가 실험은 타깃을 고려한 소스 검색(target-aware source retrieval)이 음의 전이를 완화하면서 확장성을 향상시킨다는 것을 추가로 보여준다. 이러한 결과는 피험자 간 분포 변화(distribution shift) 상황에서 정보에 기반한 소스 선택의 중요성을 강조한다.

원문 초록

Cross-subject motor-imagery electroencephalography (MI-EEG) decoding remains challenging because substantial inter-subject variability can cause both negative transfer from poorly matched source subjects and persistent distribution discrepancies between source and target domains. Existing multi-source domain adaptation methods often incorporate all available source domains or estimate source relevance using signal-level or task-specific representations, while distribution alignment is frequently performed only at the feature level. These limitations may introduce irrelevant source knowledge and fail to preserve class-discriminative structures across subjects. In this study, we propose a brain foundation model-guided multi-source domain adaptation framework (BFM-MSDA) for cross-subject MI-EEG decoding. The method first utilizes representations learned by a pretrained brain foundation model to estimate source--target compatibility and retrieve target-relevant sources. Subsequently, a relevance-weighted dual alignment strategy is applied to the selected sources and the unlabeled target domain. Specifically, Cauchy--Schwarz (CS) divergence is used to reduce discrepancies in marginal feature distributions, while conditional Cauchy--Schwarz (CCS) divergence further aligns class-dependent decision distributions. Source relevance is incorporated into both alignment terms so that more transferable source subjects contribute more strongly to adaptation. Experiments on two public MI-EEG benchmarks achieve average accuracies of 86.16% and 78.41%, outperforming representative cross-subject decoding and domain adaptation methods. Additional experiments with a large source pool further demonstrate that target-aware source retrieval improves scalability while mitigating negative transfer. These results highlight the importance of informed source selection under cross-subject distribution shift.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2507.21037v3

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.01124v1cs.AI공통 태그 Transfer Learning, Domain Adaptation, EEG

CortexBridge: 파운데이션 모델을 위한 뇌파 몽타주의 대뇌 피질 정렬

CortexBridge: Cortical Alignment of EEG Montages for Foundation Models

뇌파(EEG) 파운데이션 모델은 고정된 채널 어휘나 제한된 몽타주(montage) 집합으로 사전학습되는 경우가 많아, 전극 배치가 바뀔 때 전이(transfer)가 어렵습니다. 본 연구에서는 임의의 몽타주를 공유된 대뇌 피질 잠재 공간으로 매핑하기 위해 EEG 특징을 전극 및 아틀라스 좌표와 결합하는 경량 어댑터인 CortexBridge를 제안합니다. MOABB(Mother of All BCI Benchmarks)의 5개 뇌-컴퓨터 인터페이스(BCI) 데이터셋에서 동결된(frozen) 3개의 파운데이션 모델로 평가한 결과, CortexBridge는 15개 평가 중 13개에서 성능을 향상시켰습니다. 균형 정확도(balanced accuracy)의 평균 향상폭은 EEGPT에서 0.80%, LaBraM에서 0.70%, CBraMod에서 3.26%였으며, 12개 클래스 정상상태 시각유발전위(SSVEP) 분류에서는 최대 13.02% 향상되었습니다. 학습된 아틀라스 표현을 시각화한 결과 태스크 의존적인 공간 패턴이 드러났으며, SSVEP는 청각 P300에 비해 Yeo 시각 네트워크에서 더욱 집중된 표현을 보였습니다. 이러한 결과는 피질 정렬(cortical alignment)이 이종 EEG 몽타주에서 사전학습된 파운데이션 모델로 향하는, 학습 가능하며 해부학적 근거를 갖춘 라우팅 메커니즘임을 입증합니다.

arXiv:2609.23248v1cs.CV공통 태그 Transfer Learning, Domain Adaptation, Unsupervised Domain Adaptation

SPACE: 도메인 적응을 위한 CLIP 임베딩의 의미적 투영 및 정렬

SPACE: Semantic Projection and Alignment of CLIP Embeddings for Domain Adaptation

비전 모델을 배포할 때 근본적인 난제는 도메인 시프트(domain shift)이며, 학습 데이터와 테스트 데이터의 분포가 달라 성능이 저하될 때 이를 야기한다. 동일한 의미 개념이 사진과 스케치처럼 서로 다른 시각적 형태로 나타날 때, 의미적으로는 대응하지만 시각적 유사성은 약해져 이 난제는 더욱 커진다. 기존 비지도 도메인 적응(domain adaptation) 방법은 도메인 간 분포를 맞추는 것을 목표로 하지만, 같은 클래스에 속한 샘플들 간의 의미적 관계를 종종 무시한다. 이 문제를 해결하기 위해 본 논문은 CLIP의 비전-언어(vision-language) 공간의 의미 구조를 도메인 적응에 활용하는 방법인 SPACE를 제안한다. 핵심 아이디어는 클래스 설명에 대한 CLIP 임베딩에 특이값 분해(Singular Value Decomposition)를 적용해 범주 간 의미적 관계를 포착하는 직교 기저(orthogonal basis)를 얻고, 텍스트 설명을 의미 앵커(semantic anchor)로 사용하는 것이다. 양 도메인의 시각 특징을 이 의미 부분공간(semantic subspace)에 투영하여, 외관이 아니라 의미에 기반해 이미지를 정렬한다.

arXiv:2610.15757v1cs.CL공통 태그 Transfer Learning, Domain Adaptation

저자원 언어 감성 분석에서의 제로샷 도메인 전이 향상: 마라티어 사례 연구

Enhancing Zero-Shot Domain Transfer in Low-Resource Sentiment Analysis: A Case Study in Marathi

감성 분석(sentiment analysis)은 텍스트 내 의견의 극성을 판별하는 자연어 처리(NLP)의 핵심 과제입니다. 마라티어와 같이 데이터가 제한되어 표준 통계적 방법론의 직접적인 적용이 어려운 저자원(low-resource) 언어의 경우, 모델은 주로 단일 도메인 데이터셋으로 학습됩니다. 이는 도메인 내(in-domain) 성능은 뛰어나지만, 보지 못한(unseen) 도메인에 대한 일반화 성능 저하로 이어집니다. 최근 연구들은 다중 도메인 모델링을 통해 다양한 실제 환경의 콘텐츠를 처리할 수 있는 도메인 견고형 시스템의 필요성을 강조하고 있습니다. 본 연구는 다중 도메인 학습이 보지 못한 마라티어 도메인에 대한 감성 분류를 어떻게 개선하는지 조사합니다. 모델은 단일 도메인, 2개 도메인 및 3개 도메인 데이터셋 조합을 사용하여 학습되었습니다. 실험 결과, 2개 도메인 학습은 단일 도메인 학습에 비해 보지 못한 도메인에 대한 정확도를 약 8% 향상시키는 것으로 나타났습니다. 세 번째 도메인을 추가하면 추가적인 개선이 이루어지지만, 그 증가 폭은 더 작아 일부 도메인에서는 평균 약 2% 수준이었습니다. 이러한 결과는 다중 도메인 데이터로 학습하는 것이 저자원 언어를 위한 더욱 견고한 감성 분석 모델을 구축하는 데 도움이 되지만, 도메인이 추가될수록 그 이득은 점차 줄어든다는 점을 시사합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.