論文の概要: Transfer learning to decode brain states reflecting the relationship between cognitive tasks

• arxiv url: http://arxiv.org/abs/2206.03950v1
• Date: Tue, 7 Jun 2022 09:39:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 13:14:23.422546
• Title: Transfer learning to decode brain states reflecting the relationship between cognitive tasks
• Title（参考訳）: 認知タスク間の関係を反映した脳状態のデコード学習
• Authors: Youzhi Qu, Xinyao Jian, Wenxin Che, Penghui Du, Kai Fu, Quanying Liu
• Abstract要約: 本稿では,認知タスク間の関係を反映した伝達学習フレームワークを提案する。 我々は、伝達学習と脳領域の重なりによって反映されるタスク関係を比較した。 その結果,認知的タスク間の関係を反映した認知的タスクノミーが生み出された。
• 参考スコア（独自算出の注目度）: 1.3701366534590498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer learning improves the performance of the target task by leveraging the data of a specific source task: the closer the relationship between the source and the target tasks, the greater the performance improvement by transfer learning. In neuroscience, the relationship between cognitive tasks is usually represented by similarity of activated brain regions or neural representation. However, no study has linked transfer learning and neuroscience to reveal the relationship between cognitive tasks. In this study, we propose a transfer learning framework to reflect the relationship between cognitive tasks, and compare the task relations reflected by transfer learning and by the overlaps of brain regions (e.g., neurosynth). Our results of transfer learning create cognitive taskonomy to reflect the relationship between cognitive tasks which is well in line with the task relations derived from neurosynth. Transfer learning performs better in task decoding with fMRI data if the source and target cognitive tasks activate similar brain regions. Our study uncovers the relationship of multiple cognitive tasks and provides guidance for source task selection in transfer learning for neural decoding based on small-sample data.
• Abstract（参考訳）: 転送学習は、特定のソースタスクのデータを活用することにより、ターゲットタスクの性能を向上させる。 神経科学では、認知的タスク間の関係は通常、活性化された脳領域や神経表現の類似性によって表される。 しかし、認知タスク間の関係を明らかにするために、伝達学習と神経科学の関連性は研究されていない。 本研究では,認知タスク間の関係を反映した伝達学習フレームワークを提案し,伝達学習と脳領域(ニューロシンスなど)の重なりによって反映されるタスク関係を比較した。 転帰学習の結果は、ニューロシンスから派生したタスク関係とよく一致する認知的タスク間の関係を反映する認知的タスクノミーを生み出す。 伝達学習は、ソースとターゲットの認知タスクが同様の脳領域を活性化した場合、fMRIデータによるタスクデコーディングにおいてより良いパフォーマンスを発揮する。 本研究は,複数の認知的タスクの関係を明らかにし,小標本データに基づくニューラルデコードのためのトランスファー学習におけるソースタスク選択のためのガイダンスを提供する。

関連論文リスト

• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Similarity-based context aware continual learning for spiking neural networks [12.259720271932661]
  類似性に基づくSCA-SNN(Context Aware Spiking Neural Network)連続学習アルゴリズムを提案する。 SCA-SNNモデルは、タスク間のコンテキスト的類似性に基づいて、新しいタスクに有益な以前のタスクからニューロンを適応的に再利用することができる。 提案アルゴリズムは,ニューロン群を適応的に選択し,効率的な連続学習の生物学的解釈性を高めるための有望なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-10-28T09:38:57Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Auto Detecting Cognitive Events Using Machine Learning on Pupillary Data [0.0]
  瞳孔の大きさは認知作業負荷の貴重な指標であり、自律神経系によって支配される注意の変化と覚醒を反映している。 本研究では、機械学習を用いて個人が経験した認知イベントを自動的に検出する可能性について検討する。
  論文  参考訳（メタデータ） (2024-10-18T04:54:46Z)
• Uncovering cognitive taskonomy through transfer learning in masked autoencoder-based fMRI reconstruction [6.3348067441225915]
  機能的磁気共鳴画像(fMRI)データを再構成するために,マスク付きオートエンコーダ(MAE)モデルを用いる。 本研究は,maEモデルを用いたfMRI再構成により,潜在表現の発見が可能であることを示唆する。
  論文  参考訳（メタデータ） (2024-05-24T09:29:16Z)
• Exploring a Cognitive Architecture for Learning Arithmetic Equations [0.0]
  本稿では,算術学習を支える認知メカニズムについて考察する。 本稿では,数ベクトル化埋め込みネットワークと連想メモリモデルを実装し,知能システムによる算術方程式の学習とリコールについて検討する。 知的システムにおける数学的認知の神経的相関に関する継続的な研究に貢献することを目的としている。
  論文  参考訳（メタデータ） (2024-05-05T18:42:00Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Synergistic information supports modality integration and flexible learning in neural networks solving multiple tasks [107.8565143456161]
  本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。 結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。 トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
  論文  参考訳（メタデータ） (2022-10-06T15:36:27Z)
• Multi-Task Neural Processes [105.22406384964144]
  我々はマルチタスク学習のためのニューラル・プロセスの新たな変種であるマルチタスク・ニューラル・プロセスを開発する。 特に,各タスク改善のための帰納的バイアスを提供するために,関数空間内の関連するタスクから伝達可能な知識を探索することを提案する。 その結果、マルチタスク学習におけるタスク間の有用な知識の伝達におけるマルチタスクニューラルプロセスの有効性が示された。
  論文  参考訳（メタデータ） (2021-11-10T17:27:46Z)
• CogAlign: Learning to Align Textual Neural Representations to Cognitive Language Processing Signals [60.921888445317705]
  自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。 我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-06-10T07:10:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。