低ランク適応による統一マルチタスクEEG解析への道筋

Abstract

脳波（EEG）に対する最近の自己教師あり事前学習手法は有望な結果を示している。しかし、事前学習済みモデルは良好な性能を達成するために、通常、下流タスクごとに個別に完全微調整を行う必要がある。複数のタスクを扱う実用的な応用場面では、タスクごとに別モデルを用いることは、計算コストおよび空間コストの点で理想的ではない。本研究ではさらに一歩進め、事前学習済みモデルを複数の異なるタスクへ同時に適応させることを探究する。EEG信号は、さまざまな被験者から多様なデバイスや実験環境を用いて収集されるため、大きな異質性を示し、その結果として、タスク間で競合が生じ、共同最適化の妨げとなりうる。この課題に対処するため、MTEEGを提案する。MTEEGは、パラメータ空間を分離しタスク間の競合を緩和するために、タスク固有の低ランク適応（LoRA）モジュールを組み込んだマルチタスクEEG解析フレームワークである。タスク特化と相互作用のトレードオフを調べるために、LoRAモジュールの統合方法を異ならせたMTEEGの3つのバリアントを提案し、6つの下流タスクで評価する。その結果、MTEEGは大多数の指標において最先端の単一タスク手法を上回りうることが示される。MTEEGは、マルチタスクEEG解析の可能性を示し、将来的な汎用的なブレイン・コンピュータ・インターフェイスの開発を後押しする。