論文の概要: Chat2Brain: A Method for Mapping Open-Ended Semantic Queries to Brain Activation Maps

• arxiv url: http://arxiv.org/abs/2309.05021v1
• Date: Sun, 10 Sep 2023 13:06:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 15:09:54.575985
• Title: Chat2Brain: A Method for Mapping Open-Ended Semantic Queries to Brain Activation Maps
• Title（参考訳）: chat2brain: オープンな意味クエリを脳の活性化マップにマッピングする方法
• Authors: Yaonai Wei, Tuo Zhang, Han Zhang, Tianyang Zhong, Lin Zhao, Zhengliang Liu, Chong Ma, Songyao Zhang, Muheng Shang, Lei Du, Xiao Li, Tianming Liu and Junwei Han
• Abstract要約: そこで本研究では,テキスト2画像モデルであるText2BrainにLLMを組み合わせ,セマンティッククエリを脳活性化マップにマッピングするChat2Brainを提案する。 テキストクエリのより複雑なタスクに対して、Chat2Brainが可塑性なニューラルアクティベーションパターンを合成できることを実証した。
• 参考スコア（独自算出の注目度）: 59.648646222905235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over decades, neuroscience has accumulated a wealth of research results in the text modality that can be used to explore cognitive processes. Meta-analysis is a typical method that successfully establishes a link from text queries to brain activation maps using these research results, but it still relies on an ideal query environment. In practical applications, text queries used for meta-analyses may encounter issues such as semantic redundancy and ambiguity, resulting in an inaccurate mapping to brain images. On the other hand, large language models (LLMs) like ChatGPT have shown great potential in tasks such as context understanding and reasoning, displaying a high degree of consistency with human natural language. Hence, LLMs could improve the connection between text modality and neuroscience, resolving existing challenges of meta-analyses. In this study, we propose a method called Chat2Brain that combines LLMs to basic text-2-image model, known as Text2Brain, to map open-ended semantic queries to brain activation maps in data-scarce and complex query environments. By utilizing the understanding and reasoning capabilities of LLMs, the performance of the mapping model is optimized by transferring text queries to semantic queries. We demonstrate that Chat2Brain can synthesize anatomically plausible neural activation patterns for more complex tasks of text queries.
• Abstract（参考訳）: 何十年もの間、神経科学は、認知過程の探索に使えるテキストモダリティに多くの研究成果を蓄積してきた。 メタ分析は、これらの研究結果を用いてテキストクエリから脳活性化マップへのリンクを確立する典型的な手法であるが、それでも理想的なクエリ環境に依存している。 実践的な応用では、メタ分析に使われるテキストクエリは意味的冗長性や曖昧さといった問題に遭遇し、脳画像への不正確なマッピングをもたらす。 一方、ChatGPTのような大規模言語モデル(LLM)は、文脈理解や推論といったタスクにおいて大きな可能性を示し、人間の自然言語と高い一貫性を示す。 したがって、LLMはテキストモダリティと神経科学の関連性を改善し、メタ分析の既存の課題を解決することができる。 本研究では,LLMをText2Brainとして知られる基本テキスト2画像モデルと組み合わせたChat2Brainという手法を提案する。 LLMの理解と推論機能を利用することで、テキストクエリをセマンティッククエリに転送することで、マッピングモデルの性能を最適化する。 chat2brainは、テキストクエリのより複雑なタスクのために解剖学的に妥当な神経活性化パターンを合成できることを実証する。

関連論文リスト

• Emotion-Aware Response Generation Using Affect-Enriched Embeddings with LLMs [0.585143166250719]
  本研究は,精神医学的応用における大規模言語モデル(LLM)の感情的・文脈的理解を高めることの課題に対処する。 LLAMA 2、Flan-T5、ChatGPT 3.0、ChatGPT 4.0といった最先端のLLMと、複数の感情レキシコンを統合する新しいフレームワークを導入する。 一次データセットは、カウンセリング・アンド・サイコセラピー・データベースから2000以上の治療セッションの書き起こしを含み、不安、うつ病、トラウマ、中毒に関する議論をカバーしている。
  論文  参考訳（メタデータ） (2024-10-02T08:01:05Z)
• H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables [56.73919743039263]
  本稿では,2段階のプロセスにシンボル的アプローチと意味的アプローチ(テキスト的アプローチ)を統合し,制約に対処する新しいアルゴリズムを提案する。 実験の結果,H-STARは3つの質問応答(QA)と事実検証データセットにおいて,最先端の手法を大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-29T21:24:19Z)
• Crafting Interpretable Embeddings by Asking LLMs Questions [89.49960984640363]
  大規模言語モデル(LLM)は、自然言語処理タスクの増大に対して、テキスト埋め込みを急速に改善した。 質問応答埋め込み (QA-Emb) を導入し, 各特徴がLLMに対して質問された質問に対する回答を表す。 我々はQA-Embを用いて、言語刺激に対するfMRIボクセル応答を予測するための解釈可能なモデルを柔軟に生成する。
  論文  参考訳（メタデータ） (2024-05-26T22:30:29Z)
• Probing Brain Context-Sensitivity with Masked-Attention Generation [87.31930367845125]
  我々は、GPT-2変換器を用いて、一定量の文脈情報をキャプチャする単語埋め込みを生成する。 そして、自然主義的なテキストを聴く人間のfMRI脳活動を予測することができるかどうかを検証した。
  論文  参考訳（メタデータ） (2023-05-23T09:36:21Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)
• MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation [102.20036684996248]
  多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。 WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-16T17:36:23Z)
• A Transformer-based Neural Language Model that Synthesizes Brain Activation Maps from Free-Form Text Queries [37.322245313730654]
  Text2Brainは、オープンエンドテキストクエリから脳活性化マップを合成するための使いやすいツールである。 Text2Brainは、トランスフォーマーベースのニューラルネットワーク言語モデルと、ニューロイメージング研究の座標ベースのメタ分析に基づいて構築された。
  論文  参考訳（メタデータ） (2022-07-24T09:15:03Z)
• Emotion Recognition in Conversation using Probabilistic Soft Logic [17.62924003652853]
  会話における感情認識(英: emotion recognition in conversation、ERC)とは、2つ以上の発話を含む会話に焦点を当てた感情認識のサブフィールドである。 我々は,宣言的テンプレート言語である確率的ソフト論理(PSL)にアプローチを実装した。 PSLは、ニューラルモデルからPSLモデルへの結果の取り込みのための機能を提供する。 提案手法を最先端の純粋ニューラルネットワークERCシステムと比較した結果,約20%の改善が得られた。
  論文  参考訳（メタデータ） (2022-07-14T23:59:06Z)
• Text2Brain: Synthesis of Brain Activation Maps from Free-form Text Query [28.26166305556377]
  Text2Brainは、ニューロイメージング研究の座標に基づくメタ分析のためのニューラルネットワークアプローチである。 我々は,Text2Brainが,自由形式のテキスト記述から解剖学的に解明可能なニューラルアクティベーションパターンを合成できることを実証した。
  論文  参考訳（メタデータ） (2021-09-28T15:39:22Z)
• Brain2Word: Decoding Brain Activity for Language Generation [14.24200473508597]
  対象者からfMRIデータをデコードできるモデルを提案する。 この課題に対して,本モデルでは5.22%のTop-1と13.59%のTop-5の精度を実現している。
  論文  参考訳（メタデータ） (2020-09-10T10:47:36Z)

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。