Abstract
本研究は、ブレイン・コンピュータ・インターフェース（BCI）を活用して脳信号を取得し、ユーザー中心の状態（例：意図および知覚に関連する不快感）を推定することで、個人差が大きい状況下でも、よりパーソナライズされた強固な没入型適応を可能にする、新しい没入型通信フレームワークを提案する。具体的には、収集した脳信号を解析・処理するためのパーソナライズド連合学習（PFL）モデルを開発し、神経多様性に対応した脳信号データを扱えるだけでなく、機微な脳信号情報の漏えいも防止する。エネルギー制約のある没入型端末（例：ヘッドマウントディスプレイ）における、継続的なオンデバイス学習および推論のエネルギー・ボトルネックに対処するため、さらにPFLにスパイキングニューラルネットワーク（SNN）を組み込む。スパースでイベント駆動型のスパイク計算を活用することで、SNNを用いたPFLは、訓練および推論の計算コストとエネルギーコストを削減しつつ、競争力のあるパーソナライゼーション性能を維持する。実際の脳信号データセットに対する実験により、本手法は従来の人工ニューラルネットワークに基づくパーソナライズド・ベースラインと比較して、推論エネルギーを6.46\times削減しながら、総合的に最高の識別精度を達成することを示す。
