跳到正文
arXiv cs.AI· Philippe Forest, Giulia Lioi, Mai Pham Quyen, Alix Lamouroux, Javen Shi, Adrien Merlini·· 10 小时前AI 评分34

GALA:面向 EEG 真实视觉解码的画廊级对齐方法

GALA: Gallery-Level Alignment for Real-Life Vision Decoding from EEG

AI 导读

GALA 是一种无需标签的校准方法,通过收缩白化、hubness 校正和 Sinkhorn–Procrustes 对齐,将未标注 EEG 嵌入注册到已知候选画廊上。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:从脑电图(EEG)中解码视觉体验的神经解码在受试者内设定下已取得强劲性能,但现有方法无法跨个体泛化:在标准的 200 类基准 THINGS-EEG-2 上,top-1 准确率从受试者内的 80% 以上下降到未见受试者的约 32%。将预训练编码器适配到新受试者和新会话通常需要标注数据,这一瓶颈的采集时间严重限制了设备的实际部署。然而,在实际的脑机接口(BCI)中,可能的结果是预先已知的,并构成一个候选图库,而用户的未标注 EEG 在设备使用后即刻累积。我们提出一种新设定——增量转导校准,其中解码器定期在迄今收到的所有未标注 EEG 和已知图库上进行校准,无需任何标签。该设定比当前使用的零样本和批量评估更接近已部署 BCI 的条件。我们用一个协议对其进行评估:查询逐个到达,频率未知且可能不相等,每个查询在被用于校准之前先被解码。在此设定下,我们引入 GALA:图库级对齐(GAllery-Level Alignment),一种无标签校准方法,通过收缩白化、枢纽性校正以及利用从缓冲区估计的查询频率进行的 Sinkhorn–Procrustes 对齐,将未标注的 EEG 嵌入配准到图库上,并在每次查询后更新。在 THINGS-EEG-2 上,图库包含 200 张图像时,它使新受试者在 53 分钟使用后的 top-1 准确率从 28% 提升到 67%。在改变图库大小、查询频率和每个查询平均重复次数的 60 种评估设定中,GALA 在每种设定下都是最准确的无标签方法,在流结束时平均比最佳竞争方法高 6.6 个百分点。
主题: 人工智能(cs.AI);机器学习(cs.LG)
引用为: arXiv:2611.24206 [cs.AI]
  (或 arXiv:2611.24206v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.24206

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Philippe Forest [查看邮箱]
[v1] 2026 年 11 月 18 日星期三 10:40:59 UTC(833 KB)

来源:arXiv cs.AI · arxiv.org