技術要約：クロス被験者EEG汎化のための共有およびルーティングされたエキスパートの整合

問題提起

クロス被験者間における脳波（EEG）デコーディングの汎化は、依然として極めて重要なボトルネックとなっている。神経信号は、脳の解剖学的構造、生理学的特性、記録条件、および行動戦略の差異により、個人間で大幅な不均一性を示す。既存のアプローチは概して以下の2つのパラダイムに分類されるが、これらはそれぞれ補完的な形で失敗している：

1. 共有された被験者不変モデル（Shared Subject-Invariant Models）： これらは、被験者固有の変動を抑制することで、単一の表現を学習しようとする。不変的な構造が大部分を占める場合には効果的であるが、不均一性が強い場合には、被験者固有だがタスクに関連する手がかりまで抑制してしまう**過剰削減（over-reduction）**のリスクがある。
2. 被験者特化型エキスパート（Subject-Specialized Experts）： これらは、不均一な決定パターンを保持するために、アンサンブルや混合エキスパート（Mixture-of-Experts; MoE）を利用する。局所的な特化には優れているものの、転移可能な規則性を抽出できず、未知の被験者に対してルーティングの不確実性を導入するという**過小削減（under-reduction）**のリスクがある。

核心となる課題は、いつ不変性を強制し、いつ特異性を保持すべきかを判断すること、そしてターゲットとなる関数の具体的な「還元可能性コスト（reducibility cost）」に関する事前知識なしに、いかにしてこれらの相反する目的をバランスさせるかである。

手法：共有・ルーティングエキスパート整合（SREA）

著者らは、アルゴリズム的整合理論に基づいた協調的フレームワークであるSREAを提案する。このフレームワークは、共有エキスパート（還元可能な不変関数用）とルーティングされたエキスパート（還元不可能な被験者固有の関数用）を組み合わせ、相互ガイド型の再重み付けメカニズムによってこれらを橋渡しする。

1. 理論的基礎

本論文は、分布シフト下におけるアルゴリズム的整合を用いて、クロス被験者汎化を定式化している。

• 還元可能性コスト（Reducibility Cost）： 共有アーキテクチャとルーティングアーキテクチャのどちらが適しているかは、「分岐固有の関数を分岐不変な関数へと変換する際のコスト」に依存する。
  • コストが低い場合（分岐固有の関数を共有関数へと容易に圧縮できる場合）、共有エキスパートの方が適合する。
  • コストが高い場合（分岐固有の関数が還元不可能である場合）、ルーティングされたエキスパートの方が適合する。
• 協調の必要性： 還元可能性コストはサンプルや被験者によって異なるため、単一のアーキテクチャでは最適とは言えない。本論文は、2つのブランチ（共有とルーティング）が互いに監視し合う協調的フレームワークを用いることで、過剰削減と過小削減の両方を軽減できることを証明している。

2. フレームワークのアーキテクチャ

図1に示すように、SREAはEEGセグメントを2つの並行するブランチを通じて処理する：

• 共有ブランチ（還元可能な不変構造）：

  • 目的： 安定したクロス被験者構造をモデル化する。
  • メカニズム： 経験的リスク最小化（ERM）を用いて訓練された共有エキスパート $E_0$ を使用する。
  • 正則化： 転移誤差を抑えるために、**結合埋め込み損失（Joint Embedding Loss; JEL）**を採用する。これは、現在のEEGセグメントの表現を、その時間的な隣接セグメント（同一クラスの先行セグメントであり、確率的な空間マスキングが施されているもの）と整合させることで、分布シフトにもかかわらずモデルが不変な特徴を学習することを保証する。

• ルーティングブランチ（還元不可能な被験者固有構造）：

  • 目的： 共有表現へと圧縮できない、被験者固有のパターンを捉える。
  • メカニズム： ルーター $R$ と $M$ 個の特化エキスパート $\{E_j\}$ を使用する。
  • ルーティング： プロトタイプベースのスパースルーティングを実装する。特徴量は投影され、コサイン類似度を介して学習されたプロトタイプ埋め込み（神経活動パターンのコードブック）と照合される。上位 $K$ 個のエキスパートのみが活性化される。
  • 正則化：
    • 被験者レベルの特化損失（$L_{SL}$）： 被験者ごとのルーティング確率のエントロピーを最小化し、ルーターが同一被験者のサンプルを一貫して同じエキスパートに割り当てるよう促す。
    • バランス損失（$L_{BL}$）： 少数のエキスパートのみが選択される構成にペナルティを課すことで、ルーティングの崩壊を防ぐ。

• 相互ガイド型再重み付け（Mutual-Guided Reweighting）：

  • 目的： 「学習可能性のギャップ（learnability gaps）」に基づき、監督（supervision）を動的に転送する。
  • メカニズム： 2つのブランチは共同で最適化される。
    • ルーティングされたエキスパートを訓練する際、共有ブランチには容易だがルーティングブランチには困難なサンプルに対して重みを増やす。これにより、不変的な知識によってルーティングされたエキスパートを導き、過小削減を防ぐ。
    • 共有エキスパートを訓練する際、ルーティングブランチには容易だが共有ブランチには困難なサンプルに対して重みを増やす。これにより、共有ブランチが特定の決定的な手がかりに注意を向けるよう強制し、過剰削減を防ぐ。
  • 推論： 最終的な予測は、共有ブランチとルーティングブランチの出力の単純な平均となる。

主な貢献

1. 理論的分析： 本論文は、共有エキスパートとルーティングエキスパートの選択が、分岐固有の関数の還元可能性コストに依存することを示す形式的な分析を提供している。これは、どちらのパラダイムも普遍的に優れているわけではなく、その相対的な適性は、被験者固有の信号を不変なものへと圧縮する難易度によって決まることを確立している。
2. SREAフレームワーク： 共有ブランチ（還元可能な構造用）とルーティングブランチ（還元不可能な構造用）を明示的に結合した新しいアーキテクチャであり、すべての変動が完全に共有されている、あるいは完全に特異的であるという仮定による陥穽を回避している。
3. 相互ガイドメカニズム： クロスブランチの学習可能性のギャップを利用してサンプルを再重み付けする訓練戦略を用い、共有ブランチが必要な特異性を抑制せず、かつルーティングブランチが転移可能な規則性を無視しないようにする。

実験結果

著者らは、運動想起（MI）、睡眠段階検出（SSD）、聴覚注意デコーディング（AAD）の3つのタスクにわたる7つの公開EEGベンチマークでSREAを評価した。

• タスク固有の手法に対する性能： SREAは、最新のタスク固有モデル（例：DeepConvNet, EEGNet, CTNet, SleepWaveNet, ListenNet）を一貫して上回った。
  • MI: BCI IV-2aで61.3%、BCI IV-2bで77.5%を達成。
  • SSD: Sleep-EDFxで84.1%、ISRUC-3で79.8%を達成。
  • AAD: KULで81.7%、DTUで58.3%、AVEDで53.9%を達成。
• 基盤モデルに対する性能： SREAは、CBraMod基盤モデルのバックボーンと統合された。これにより、すべてのデータセットにおいて基盤モデルの性能がさらに向上し、SREAが強力な学習済み表現と互換性のある、汎用的な協調パラダイムであることを示した。
• アブレーション研究：
  • 共有ブランチまたはルーティングブランチのいずれかを取り除くと、大幅な性能低下が見られ、両方のコンポーネントの必要性が確認された。
  • 相互ガイド型再重み付け（素朴なアンサンブル）を取り除くと、フルモデルを下回る結果となり、クロスブランチの監督の重要性が検証された。
  • KULデータセットを用いたケーススタディでは、フルモデルがほぼすべての個々の被験者において「共有のみ」および「ルーティングのみ」のバリアントを上回った。

意義と主張

本論文は、SREAがクロス被験者EEG学習における根本的な緊張関係、すなわち「不変な構造の捕捉」と「被験者固有の識別信号の保持」の間のトレードオフに対処していると主張している。

• 理論的洞察： 本研究は、視点を「一つのパラダイムを選択する」ことから、「還元可能性コストを理解する」ことへと転換させている。最適な解決策は、データの特定の還元可能性に適応する協調的なシステムであると論じている。
• 実用的影響： 従来のタスク固有モデルおよび最新の基盤モデルの両方を一貫して上回ることで、SREAはクロス被験者汎化の「ボトルネック」に対する堅牢なソリューションを提供している。
• 謙虚な姿勢： 著者らは、本フレームワークが現在は分類タスクにおいて評価されていることを認めている。SREAを回帰ベースのデコーディング（例：覚醒度推定、音声エンベロープ再構成）へ拡張することは、今後の研究課題として特定されている。本論文は、すべてのEEG汎化問題を解決すると主張しているのではなく、多様なタスクとデータセットにおいて性能を大幅に向上させる、理論的に裏付けられたフレームワークを提供している。