arXiv cs.LGは2026年4月29日(現地時間)、Saheed Faremi氏らが開発した新しい深層学習モデル「Convolutional Variational Deep Embedding (Conv-VaDE)」を発表した。このモデルは、脳の電気的活動から得られるEEGマイクロステートの解析において、従来のModified K-Meansなどが抱えていたモデルの不透明性や解釈性の限界を克服することを目指す。共有された潜在空間でトポグラフィー再構築と確率的ソフトクラスタリングを共同で学習し、分析の透明性向上に貢献する。
従来のEEGマイクロステート分析手法であるModified K-Meansなどは、電極空間で直接ハードアサインメント（明確な割り当て）を行うため、学習された潜在表現や生成デコーダーを持たなかった。これにより、潜在構成を検証可能な頭皮トポグラフィーにデコードする仕組みがなく、モデルの透明性と解釈性が制限されていた。
Conv-VaDEモデルは、クラスタープロトタイプを検証可能な頭皮トポグラフィーとして生成的にデコードすることを可能にし、不透明なハードパーティショニングを確率的ソフトアサインメントに置き換える。研究では、極性不変性スキームと4次元グリッドサーチが実施された。この体系的な探索は、クラスター数（K値3〜20）、潜在次元、ネットワーク深度、チャネル幅にわたって行われ、各アーキテクチャ設計の選択が、学習されたEEGマイクロステート表現の品質、安定性、解釈性をどのように形成するかを明らかにすることを目的としている。
このモデルは、LEMON resting-state eyes-closed EEGデータセット（被験者10名）を用いて評価された。評価指標には、トポグラフィックテンプレート形成、クラスタリング安定性、および全説明分散（GEV）が用いられた。アーキテクチャ探索の結果、ネットワーク深度L=4が、最も性能の良い18の構成全てにわたって一貫して現れた。これにより、モデルスイープ全体でK=4の場合に最高のGEVが0.730、シルエット値が0.229を記録した。適度な深さのネットワークとコンパクトなチャネル幅、小さな潜在次元が、Kの全範囲にわたって優勢であることが示された。これらの結果は、解釈可能で安定したEEGマイクロステートの発見には、モデルの規模ではなく、原則に基づいたアーキテクチャ探索が重要であることを示している。
参考: arXiv cs.LG — 2026年5月13日 13:00 (JST)