arXiv cs.LGは10月3日(現地時間)、脳波 (EEG) データ解析の汎用モデル構築における長年の課題に対処するため、新たな基盤モデル「SPERA (Spherical Prior EEG Representation Architecture)」が開発されたと報じた。本モデルは、従来の観測信号に基づく手法とは異なり、joint-embedding predictive architecture (JEPA) をlatent space (潜伏空間) で採用し、多様な脳波データの異質性に対応する高精度な予測を実現している。
SPERAは、多岐にわたる被験者、使用デバイス、電極配置といった脳波データの内在的な異質性を克服し、幅広いアプリケーションで利用可能な汎用バックボーンとなることを目指して設計された。論文の著者には、ミンス・キム氏ら6名が名を連ねている。
モデルの機能性を特徴づける主要な要素として、attention (アテンション) 機構にLegendre-polynomial spatial prior (ルジャンドル多項式空間事前情報) が組み込まれている。これは、頭皮上に配置される多様な電極の幾何学的形状を効果的に符号化することを目的としている。また、周期的なfull-attention (フルアテンション) ブロックと交互に配置されるfactorized temporal and spatial attention (因子化された時間的・空間的アテンション) は、脳波信号の時空間的な特徴を効率的に捉える。さらに、relational spectral regularizer (関係スペクトル正則化器) が導入されており、これによりlatent similarity structure (潜在類似構造) をspectral views (スペクトルビュー) と整合させることで、モデルの表現学習能力が向上している。
SPERAは、大規模な事前学習プロセスを経ており、106の異なるデータセットにわたる29,048人の被験者から収集された約80,000時間もの膨大な脳波データを用いて訓練された。この広範な事前学習により、モデルは多様なEEGパターンを学習し、その汎用性を確立している。
評価の結果、SPERAは臨床診断、認知機能研究、ブレイン・コンピューター・インターフェース (BCI) アプリケーションなど、9つのdownstream tasks (下流タスク) の全てにおいて、最高の平均balanced accuracy (バランス精度) を達成した。また、linear probing (線形プロービング) においても高いparameter efficiency (パラメータ効率) を示し、様々な記録条件下での堅牢性 (robustness) が確認された。これらの優れた特性は、SPERAが将来的に多様な脳波解析タスクにおける強力な基盤として機能する可能性を示唆している。本研究は、NeurIPS 2026での採択が決定している。
参考: arXiv cs.LG — 2026年10月9日 13:00 (JST)