EEG-AS: Instance-Level Foundation Model Selection for EEG Foundation Models via Behavior Reconstruction

📄 arXiv: 2609.00653v1 📥 PDF

作者: Yunzhen Zhang, Ruoxi Piao, Hasan Onur Keles, Mustafa Misir

分类: cs.LG, cs.AI

发布日期: 2026-09-01

💡 一句话要点

提出EEG-AS以解决EEG基础模型选择问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑电图 基础模型 算法选择 神经解码 实例级选择 模型重建 神经生理特征

📋 核心要点

  1. 现有EEG基础模型在不同数据集和个体实例中的表现不一致，缺乏有效的实例级模型选择方法。
  2. 论文提出EEG-AS框架，通过潜在EEG嵌入和锚定基础模型特征化EEG实例，实现高效的模型选择。
  3. 实验表明，EEG-AS在七个公共EEG基准测试中显著缩小了SBS与oracle上限之间的差距，验证了其实用性。

📝 摘要（中文）

脑电图（EEG）是一种非侵入性技术，用于测量神经活动，广泛应用于神经科学领域。尽管EEG基础模型在多种神经解码任务中表现出色，但没有单一模型在所有数据集或个体EEG实例中始终表现最佳。为了解决这一问题，本文将EEG基础模型选择形式化为实例级算法选择（AS）问题，提出了EEG-AS框架。该框架利用潜在EEG嵌入、手工神经生理特征和锚定基础模型对每个EEG实例进行特征化。在训练过程中，EEG-AS学习从特权预测标记重建不可用的基础模型行为，而在推理时则在不执行整个模型组合的情况下估计这些行为，从而实现高效选择。实验结果表明，EEG-AS显著缩小了单一最佳求解器（SBS）与每个实例的oracle上限之间的差距，突显了实例级AS在EEG基础模型自适应部署中的有效性。

🔬 方法详解

问题定义：本文旨在解决EEG基础模型在不同实例中的选择问题，现有方法未能有效处理实例级模型选择的挑战。

核心思路：EEG-AS框架通过对EEG实例进行特征化，利用潜在嵌入和锚定模型重建不可用的模型行为，从而实现高效选择。

技术框架：EEG-AS的整体架构包括特征提取、模型行为重建和实例选择三个主要模块。在训练阶段，模型学习如何从特权信息中重建行为；在推理阶段，模型根据特征进行快速选择。

关键创新：EEG-AS的创新在于将实例级算法选择与EEG基础模型结合，首次提出通过重建模型行为来优化选择过程，区别于传统的全模型执行方法。

关键设计：在设计中，EEG-AS使用了多种潜在特征和手工特征，损失函数设计为重建误差最小化，确保模型在训练和推理阶段的高效性。具体的网络结构和参数设置在实验中经过优化。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，EEG-AS在七个公共EEG基准测试中显著缩小了单一最佳求解器（SBS）与oracle上限之间的差距，验证了其实用性和有效性，提升幅度达到XX%（具体数据待补充）。

🎯 应用场景

该研究的潜在应用领域包括医疗诊断、脑机接口和神经科学研究等。EEG-AS能够根据具体的EEG实例选择最优模型，从而提高解码精度和效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Electroencephalography (EEG) is a non-invasive technique for measuring neural activity and has been widely used in neuroscience applications. Recent advances in EEG foundation models have enabled strong performance across diverse neural decoding tasks. However, no single foundation model consistently performs best across datasets or individual EEG instances, while instance-level model selection remains largely unexplored. To address this limitation, we formulate EEG foundation model selection as an instance-level Algorithm Selection (AS) problem. We propose \textbf{EEG-AS}, an instance-level algorithm selection framework that characterizes each EEG instance using inference-available latent EEG embeddings, handcrafted neurophysiological features, and an anchor foundation model. During training, EEG-AS learns to reconstruct unavailable foundation-model behaviors from privileged prediction tokens conditioned on an anchor foundation model, while during inference it estimates these behaviors without executing the entire model portfolio, enabling efficient selection from seven EEG foundation models. Experiments on seven public EEG benchmarks demonstrate that EEG-AS substantially narrows the gap between the Single Best Solver (SBS) and the oracle upper bound for each instance. These results highlight the effectiveness of instance-level AS for adaptive deployment of EEG foundation models.