注目論文デイリーレポート

Abstractの概要

BrainWideBenchは、International Brain Laboratory（IBL）のBrainwide Mapデータセットに基づいて構築された、多領域神経記録における個体間転移を評価するためのベンチマークです。このベンチマークは276の脳領域にまたがる139匹のマウスの記録を使用し、行動予測、神経活動予測、神経細胞の同一性/脳領域予測という3つのタスクスイートで評価を構成しています。事前学習と評価の間で個体レベルの分離を徹底しており、モデルは126匹のマウスで事前学習され、ファインチューニングおよびゼロショット条件下で13匹の保留されたマウスを用いてテストされます。これらのスイート全体を通じて、本論文は大規模な事前学習が個体、セッション、下流タスクを横断して汎化する神経表現をもたらすかどうかを検証しています。

新規性

本論文の主な新規性は、孤立したデータセットや単一のタスクファミリでモデルを評価するのではなく、全脳神経記録における大規模な事前学習と個体間転移のための統一的で再現可能なベンチマークを提供した点にあります。標準化された分割、品質管理メタデータ、そして行動、動態、解剖学的構造を共同で検証する3つの補完的なタスクスイートを組み合わせた点が特徴的な貢献です。

成果

このベンチマークは、条件を揃えた単一セッションのベースラインと比較して、事前学習が一般に転移性能を向上させる一方で、その向上幅は事前学習の目的と下流タスクの適合度に強く依存することを示しています。行動デコーディングではPOYO+とNDT-Stitchが事前学習なしのモデルに比べて平均ランクを向上させ（POYO/POYO+で4.80から2.53へ、NDT/NDT-Stitchで6.80から3.58へ）、神経活動予測ではNDT-Stitchがフォーキャスティングで、MtMがコ・スムージングで最も優れていました。脳領域予測では神経細胞の同一性に特化したモデルが最も良好な性能を示し、NuCLRがマルチユニットのリニアプローブ設定でマクロF1スコア0.654を達成したことから、3つのスイートすべてを支配する単一の手法は存在しないことが示されています。

論文の注目点

1. BrainWideBenchは、標準化された個体レベルのデータ分割、品質管理メタデータ、および行動・神経動態・解剖学的構造を網羅する3つのタスクスイートを用いて、IBL Brainwide Map上での個体間転移を評価する。
2. 事前学習は行動デコーディングや神経活動予測の性能を向上させるが、転移効果には不均一性があり、事前学習の目的と評価タスクの整合性に強く左右される。
3. 脳領域予測は神経細胞レベルの同一性表現向けに設計された手法で最も効果的に処理され、主にデコーディングやマスク付き神経予測のために事前学習されたモデルをNuCLRやNEMOが上回る。

参考リンク

• arXiv: https://arxiv.org/abs/2609.22064v1
• Fugu-MT: https://fugumt.com/fugumt/paper_check/2609.22064v1