EEGファウンデーションモデルに対するテスト時適応（TTA）：実環境の分布シフト下でのシステマティックな研究

arXiv cs.LG / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本研究は、臨床現場での展開を妨げる分布シフト（臨床施設・デバイス・集団の違い）に対し、EEGファウンデーションモデルがどの程度耐性を持つかを検討する。
専門データのプライバシー制約やラベル不足の状況を踏まえ、推論時に未ラベルの目標データへ適応するテスト時適応（TTA）を、実在に近い分布変化下で評価するためのベンチマーク「NeuroAdapt-Bench」を提案する。
複数の事前学習済みEEGファウンデーションモデルや多様な下流タスクで、TTA手法の効果を評価した結果、標準的なTTAは改善が安定せず、性能が低下することもある。
特に勾配ベースのTTAは大幅な劣化を招きやすい一方で、最適化を伴わない手法は安定性が高く、より信頼できる改善につながることが示される。
著者らは、既存の汎用TTA手法はEEGでは限界が大きいことを踏まえ、今後はドメイン特化の適応戦略が必要だと結論づける。

要旨: 脳波（EEG）基盤モデルは、大規模な神経データから汎化可能な表現を学習する強い可能性を示しているが、臨床での導入は、臨床施設、デバイス、集団間で生じる分布シフトによって妨げられている。テスト時適応（TTA）は、ソースデータにアクセスすることなく、推論中にラベルなしのターゲットデータへモデルを適応させることで解決策を提供しうる。これは、プライバシー規制や限られたラベルデータによって制約される医療分野において価値のある性質である。しかし、EEGに対するその有効性は、ほとんど十分に調査されていない。本研究では、現実的な分布シフトの下でEEG基盤モデルに対するテスト時適応手法を評価するための体系的なベンチマークであるNeuroAdapt-Benchを提案する。複数の事前学習済み基盤モデル、多様な下流タスク、そして分布内・分布外・極端なモダリティシフト（例: Ear-EEG）にまたがる異種データセットに対して、他分野からの代表的なTTAアプローチを評価する。結果は、標準的なTTA手法では一貫性のある改善が得られず、しばしば性能を低下させることを示しており、特に勾配ベースの手法は大きな劣化を起こしやすい。これに対し、最適化を行わない手法は、より高い安定性と、より信頼性の高い改善を示す。これらの知見は、EEGにおける既存のTTA技術の限界を明らかにし、今後の開発に向けた指針を提供するとともに、ドメイン固有の適応戦略の必要性を強調する。