arXiv:2606.25456v1 cs.LG

Towards Robust EEG Decoding Based on Riemannian Self-Attention

Shaocheng Jin, Tao Zhou, Rui Wang, Ziheng Chen, Xiaoqing Luo, Xiaojun Wu, Josef Kittler

제출 2026-06-24

원문 초록

Brain-Computer Interface (BCI) based on electroencephalography (EEG) enables direct interaction between the brain and external environments and has significant applications in assistive technologies, medical rehabilitation, and entertainment. Recently, EEG decoding methods based on Symmetric Positive Definite (SPD) learning have demonstrated superior performance. However, these methods typically employ basic network architectures and do not explicitly capture local relationships between EEG signals. This limitation is problematic for EEG signals due to their inherently low Signal-to-Noise Ratio (SNR). Moreover, most existing Riemannian manifold-based methods are restricted to specific metrics. The most widely used is the Affine-Invariant Metric (AIM). However, it has a quadratic dependency on the SPD matrices and cannot handle ill-conditioned SPD matrices, which hinders the effectiveness of networks. In contrast, the Bures-Wasserstein Metric (BWM) exhibits linear dependence on SPD matrices and demonstrates superior performance for ill conditioning. To overcome these challenges, we propose a Riemannian self-attention network based on the BWM. Additionally, the recently introduced power-deformed generalized Bures-Wasserstein metric reveals a nonlinear relationship between SPD matrices and matrix power deformation. This metric provides a more nuanced representation of the geometric structure of the SPD manifold. Consequently, we extend our model to a learnable version. For simplicity, we refer to it as GBWAtt. Experimental results on three EEG benchmarking datasets validate the robustness and effectiveness of our proposed method. The code is available at https://github.com/jissc/GBWAtt.

요약

기존 SPD 기반 EEG 디코딩은 단순 아키텍처와 Affine-Invariant Metric(AIM)의 조건 불량 SPD 행렬 처리 한계로 저 SNR 환경에서 채널 간 로컬 관계를 충분히 포착하지 못한다. Bures-Wasserstein metric(BWM) 기반 리만 self-attention 네트워크를 학습 가능한 GBWAtt로 확장했으며, 세 EEG 벤치마크 데이터셋에서 강건성과 효과를 확인했다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.25456v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2610.10952v1cs.LG공통 태그 EEG, riemannian geometry, brain-computer interface

SPD-MetaFormer: 소규모 데이터 뇌 신호 디코딩을 위한 효과적인 아키텍처

SPD-MetaFormer is what you need for small-data brain decoding

뇌 신호 디코딩은 신경 기록에 잡음이 많고 개인 간 편차가 큰 반면 레이블이 지정된 데이터는 종종 제한적이기 때문에 어려운 과제입니다. 그럼에도 불구하고 대칭 양의 정부호(SPD) 다양체 기반의 최신 어텐션 모델들은 공분산 및 연결성 표현을 활용하여 우수한 성능을 달성했지만, 학습된 토큰 가중치 부여의 기여도는 여전히 불분명합니다. 본 연구에서는 로그-유클리드 기하학에 기반한 MAtt와 일반화된 뷔르-와서슈타인 기하학에 기반한 GBWAtt라는 두 가지 대표적인 아키텍처를 조사하였으며, 학습 후 이들의 학습된 어텐션 가중치가 균일한 상태에 가깝게 유지된다는 점을 발견했습니다. 이러한 현상은 원래의 소프트맥스 스케일링 하에서 어텐션 가중치의 대비를 제한하는 유계 유사도 파라미터화와 관련이 있습니다. 나아가, 학습 및 평가 전반에 걸쳐 학습된 가중치를 균일 가중치로 대체하더라도 각 모델 고유의 집계 기하학적 구조를 보존하는 한 평균 예측 성능에는 거의 영향을 미치지 않았습니다. 이러한 발견에 착안하여, 로그-유클리드 기하학 하에서 균일 가중치 프레셰 집계를 기반으로 구축된 어텐션-프리 아키텍처인 SPD-MetaFormer를 제안합니다. 이 모델의 백본은 측지선 잔차를 사용하여 요약 토큰을 업데이트하고 공유 스펙트럼 피드포워드 맵을 통해 모든 토큰을 변환한 후, 학습된 가중치 리드아웃을 거칩니다. 토큰 상태는 접공간 분류 이전까지 SPD 값을 유지합니다. 세 가지 EEG 벤치마크에 걸쳐, SPD-MetaFormer는 기존에 발표된 유클리드 및 다양체 베이스라인 대비 경쟁력 있는 결과를 달성합니다. 별도의 정합 재현 실험을 통해 MAtt 및 GBWAtt 내에서 학습된 가중치와 균일 가중치를 비교 검증합니다. 이러한 결과는 연구된 짧은 시퀀스 및 제한된 데이터 환경에서, 신중하게 설계된 SPD 아키텍처가 적응형 다양체 어텐션에 대한 더 단순하면서도 효과적인 대안을 제공할 수 있음을 시사합니다.

arXiv:2610.01124v1cs.AI공통 태그 EEG, brain-computer interface

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:2610.00224v2cs.AI공통 태그 Benchmarking

Build2SPARQL: 빌딩 지식 그래프 쿼리를 위한 대규모 Text-to-SPARQL 벤치마크 데이터셋

Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying

빌딩 자동화 시스템은 Brick 및 ASHRAE 223P와 같은 온톨로지를 사용하는 시맨틱 지식 그래프(KG)로 점점 더 많이 표현되고 있으며, 이는 인공지능 응용을 위한 기계 판독 가능한 기반을 형성합니다. 유망한 응용 분야 중 하나는 자연어 질문을 SPARQL로 변환하는 Text-to-SPARQL로, 빌딩 관리자가 언어 에이전트를 통해 이러한 그래프를 쿼리할 수 있게 해주지만 대규모 자연어/SPARQL 벤치마크의 부족으로 발전이 제한되고 있습니다. 본 논문에서는 지식 그래프 기반(KG-grounded) 파이프라인으로 생성된 빌딩 지식 그래프용 대규모 벤치마크인 Build2SPARQL을 제시합니다. 이 파이프라인은 SPARQL 쿼리를 전적으로 그래프 순회 코드로 생성 및 검증하는 반면, 대규모 언어 모델(LLM)은 자연어 질문만을 생성하도록 하여 쿼리의 정확성을 모델의 동작과 독립적으로 유지합니다. 해당 파이프라인은 선형 체인, 분기, UNION, 집계, OPTIONAL, 속성 필터링의 6가지 쿼리 패턴 패밀리를 추출하며, 각 쿼리를 5가지 어휘 레지스터에 걸쳐 표현합니다. 201개의 빌딩 지식 그래프(Brick 180개, ASHRAE 223P 21개)에 적용하여 6,136개의 실행 가능한 SPARQL 쿼리와 30,680개의 질문을 도출했습니다. 300개 질문에 대한 2인 평가자 인적 검증 결과 98.8%의 시맨틱 충실도, 98.8%의 자연스러움, 84.0%의 운영 타당성을 확인했습니다. 3개의 공개 가중치(open-weight) 언어 모델에 걸친 검색-증강 평가에서는 완전 일치(exact-match) 정확도가 0.2~20%(제로샷)에서 56~65%(3샷 검색)로 향상되었습니다.

arXiv:2610.02946v2cs.CV공통 태그 Benchmarking

아무것도 예측하지 않는 것이 SAM 3를 능가할 때: 비디오 객체 분할 평가의 재검토

When Predicting Nothing Beats SAM 3: Revisiting Evaluation in Video Object Segmentation

복잡하고 긴 비디오에서의 비디오 객체 분할(Video Object Segmentation, VOS)은 대상 객체가 긴 시간 지평 내에서 간헐적으로만 나타나는 경우가 많은 실제 응용 분야에서 점차 중요해지고 있습니다. 그러나 기존 벤치마크는 대부분 비디오의 대부분 동안 가시적으로 유지되는 시간적으로 두드러진 객체에 주로 초점을 맞추고 있습니다. 이러한 공백을 해결하기 위해 본 논문에서는 낮은 시간적 가시성 조건에서 VOS 방법을 평가하도록 설계된 벤치마크인 FaVOS(A Benchmark for Video Object Segmentation with Fractional Temporal Visibility)를 소개합니다. 우리는 이러한 조건에서 표준 J&F 지표가 대상이 존재하지 않는 프레임에 대한 빈 예측에 높은 보상을 부여하기 때문에 VOS 평가를 부재 분류(absence classification)로 전락시킬 수 있음을 보입니다. 그 결과, 자명한 빈 마스크 예측기조차 SAM 3와 같은 강력한 모델을 능가할 수 있으며, 이는 현재 지표와 실질적인 VOS 성능 간의 근본적인 불일치를 드러냅니다. 이 문제를 완화하기 위해 마스크 시퀀스를 시공간 볼륨으로 평가하고 분할 품질 및 시간적 구조에 대한 민감도를 유지하면서 대상 부재 보상의 지배력을 줄이는 Volumetric J&F를 제안합니다. 프로젝트 페이지: https://aidaslab.github.io/FaVOS.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.