技術的サマリー：SCOPE – 限られたラベルを有する EEG 基盤モデルのための構造化プロトタイプ誘導適応

1. 問題定義

脳波（EEG）基盤モデル（EFM）は、豊富なラベル付きデータで完全微調整（full fine-tuning）された場合、強力な性能を発揮することが示されています。しかし、現実の臨床環境では、信頼性の高い被験者レベルのアノテーションが不足しており、豊富なラベルなし記録 alongside 少数のラベル付き被験者（例：30% 以下）のみが残される状況が頻繁に生じます。

著者らは、標準的な完全微調整がこれらのラベル制限条件下で失敗する原因が、単にデータ不足によるものではなく、ノイズの多い限られた教師信号と、EFM の極めて可塑性の高いパラメータ空間との間の構造的ミスマッチにあると特定しました。経験的分析により、以下の 3 つの決定的な失敗モードが明らかになりました：

1. 信頼性の低い自己誘導：EFM は限られた教師信号下で過剰な自信を示すものの不正確であり、モデルの信頼性に依存する自己学習（self-training）は誤りの増幅を起こしやすい。
2. 予測の崩壊：擬似ラベリング戦略は、連続的な脳状態における曖昧なクラス境界とクラス不均衡のために失敗することが多く、支配的なモードへの偏った学習を招く。
3. パラメータ空間の脆弱性：完全微調整は層全体で顕著な表現のドリフトを引き起こし、ノイズの多い勾配が転移可能な事前学習済み表現を上書きすることで、回復不可能な最適化ドリフトをもたらす。

既存のパラメータ効率型微調整（PEFT）手法や汎用的な半教師あり学習アプローチ（例：FixMatch、FineSSL）は、被験者間かつラベル制限のシナリオにおいて EFM に直接適用された場合、不安定または最適でないことが示されています。

2. 手法：SCOPE フレームワーク

著者らは、事前学習済み知識を上書きすることなく EFM を適応させるために設計された 2 段階フレームワークであるSCOPE（構造化信頼性認識プロトタイプ誘導適応：Structured COnfidence-aware Prototype-guided adaptation）を提案します。

段階 I：外部構造化教師信号の構築

EFM 自身の予測に依存して自己学習を行うのではなく、SCOPE は少量のラベル付きセットのみで訓練された軽量なタスク事前ネットワーク（TPN）を用いて外部教師信号を構築します。

• コホートレベルの構造化プロトタイプ：
  • クラス間幾何学：TPN は、クラス重み間の最大限の角度分離を強制し、クラス分離可能な埋め込みを確保する**等角緊密フレーム（ETF）**正則化器を備えたタスク事前ネットワークを採用します。
  • クラス内変動性：クラス内の多様なパターンを処理するために、フレームワークはSinkhorn-Knopp最適化を用いてクラスごとに複数のバランスの取れたプロトタイプを学習します。これにより、サンプルのプロトタイプへの割り当てが均等に行われ、支配的なモードへの崩壊が防止されます。
• 信頼性認識サンプルレベル擬似ラベリング：
  • 擬似ラベルは、クラス間分離を強調するタスク事前予測と、クラス内変動を捉えるプロトタイプベース予測が一致する場合にのみ生成されます。
  • Dempster-Shafer融合メカニズムがこれらの 2 つの証拠源を結合し、信頼性を定量化します。
  • 融合された信頼性スコアが事前に定義された閾値を超えるサンプルのみが適応のために選択され、信頼性の低い信号がフィルタリングされます。

段階 II：プロトタイプ条件付き適応（ProAdapter）

EFM のパラメータ空間の脆弱性に対処するため、SCOPE はバックボーンを凍結し、ネットワークの最後の$L$層に挿入された軽量なProAdapterを導入します。

• メカニズム：アダプターは、学習済みプロトタイプに対するサンプルの類似性ベクトルに条件付けられた特徴量ごとの変調（スケーリング$\alpha$とシフト$\beta$）を使用します。
• アーキテクチャ：
  • レイヤー自身の統計量（自己条件付け）からベース変調パラメータを生成します。
  • プロトタイプ類似性ベクトルから追加の変調項を生成し、安定した適応を確保するために明示的にゲート処理され、境界付けられます。
  • これにより、事前学習済み重みを変更することなく、外部教師信号の構造化幾何学が中間特徴量の適応を誘導することが可能になります。

訓練戦略

SCOPE はウォームアップ適応戦略を採用します。訓練はラベル付きセットでの教師あり更新から始まり、その後、信頼性重み付き擬似ラベルを用いて徐々にラベルなしデータを組み込みます。これにより、初期訓練段階でノイズの多い教師信号が支配することを防ぎます。

3. 主な貢献

1. 外部コホートレベル構造化プロトタイプ：クラス混合とモード崩壊の問題に対処し、EFM に安定した外部誘導を提供するために、（ETF と Sinkhorn-Knopp による）永続的で幾何学的に正則化されたプロトタイプを構築する初のフレームワーク。
2. 信頼性認識サンプルレベル擬似ラベリング：Dempster-Shafer 理論を用いてタスク事前予測とプロトタイプ予測を融合し、不確実なサンプルをフィルタリングすることで、EFM の過剰な自信を軽減する新しいラベリング戦略。
3. プロトタイプ条件付き適応（ProAdapter）：特徴量変調を通じてプロトタイプ幾何学を凍結された EFM に注入し、事前学習済み表現を保持しながら特定タスクに適応する軽量アダプター。
4. 包括的評価：6 つの EEG タスク、5 つの基盤モデルバックボーン（Transformer および状態空間モデルアーキテクチャを含む）、および変化するラベル比率（5%–50%）にわたる体系的な研究。

4. 実験結果

著者らは、6 つの公開データセット（ISRUC、SEED、Mental Arithmetic、PhysioNet-MI、SHU-MI、CHB-MIT）を用い、5 つの異なる EFM バックボーン（LaBraM、CBraMod、CSBrain、EEGMamba、CodeBrain）で SCOPE を評価しました。

• 性能：SCOPE は、完全微調整、凍結されたバックボーン、LoRA、既存の半教師あり手法（FixMatch、FineSSL）を含むベースラインを一貫して上回りました。
  • 30% のラベル付き被験者を用いた ISRUC データセットにおいて、SCOPE は凍結されたバックボーンと比較して、LaBraM で Kappa を**+7.61**、CodeBrain で**+10.92**改善しました。
  • 他の手法が失敗または崩壊したデータセットやアーキテクチャファミリー（Transformer 対 SSM）間でも、堅牢性を示しました。
• 効率性：この手法は、完全微調整と比較して、学習可能パラメータが**2–5%**のみであり、訓練時間と GPU メモリを大幅に削減しながらこれらの成果を達成します。
• アブレーション研究：
  • 教師信号構築モジュールを除去すると、性能が最も大きく低下（5–7%）し、自己学習が EFM に対して不十分であることを確認しました。
  • ProAdapter を除去すると、大幅な劣化（SSM バックボーンでは最大 10%）が生じ、プロトタイプ条件付き変調の必要性を浮き彫りにしました。
  • 信頼性重み付けとウォームアップ戦略が安定性にとって決定的であることが示されました。

5. 意義と主張

本論文は、ラベル制限の実用的な展開条件下における EEG 基盤モデルの適応に関する初の体系的な研究であると主張しています。

著者らは、低ラベル領域における完全微調整の信頼性のなさは、単なるデータ不足ではなく構造的ミスマッチに起因すると論じています。自己学習とサンプルレベルの擬似ラベルから、外部コホートレベル構造化教師信号と条件付き適応へと移行することで、SCOPE は専門家のアノテーションが限られる現実の臨床シナリオにおける EFM の展開にとって、より信頼性が高くデータ効率的な道筋を提供します。この研究は、これらの環境において、軽量で幾何学的に誘導された変調を通じて事前学習済み表現を保持することが、直接パラメータ更新よりも優れていることを示唆しています。