論文の概要: LinBridge: A Learnable Framework for Interpreting Nonlinear Neural Encoding Models

• arxiv url: http://arxiv.org/abs/2410.20053v1
• Date: Sat, 26 Oct 2024 03:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:22:01.580003
• Title: LinBridge: A Learnable Framework for Interpreting Nonlinear Neural Encoding Models
• Title（参考訳）: LinBridge: 非線形ニューラルエンコーディングモデルを解釈するための学習可能なフレームワーク
• Authors: Xiaohui Gao, Yue Cheng, Peiyang Li, Yijie Niu, Yifan Ren, Yiheng Liu, Haiyang Sun, Zhuoyi Li, Weiwei Xing, Xintao Hu,
• Abstract要約: LinBridgeは、非線形符号化モデルの解釈のためのヤコビ解析に基づく学習可能なフレームワークである。 本研究では非線形ニューラルエンコーディングモデルを解釈するための新しいツールを提案する。
• 参考スコア（独自算出の注目度）: 8.171696054935143
• License:
• Abstract: Neural encoding of artificial neural networks (ANNs) links their computational representations to brain responses, offering insights into how the brain processes information. Current studies mostly use linear encoding models for clarity, even though brain responses are often nonlinear. This has sparked interest in developing nonlinear encoding models that are still interpretable. To address this problem, we propose LinBridge, a learnable and flexible framework based on Jacobian analysis for interpreting nonlinear encoding models. LinBridge posits that the nonlinear mapping between ANN representations and neural responses can be factorized into a linear inherent component that approximates the complex nonlinear relationship, and a mapping bias that captures sample-selective nonlinearity. The Jacobian matrix, which reflects output change rates relative to input, enables the analysis of sample-selective mapping in nonlinear models. LinBridge employs a self-supervised learning strategy to extract both the linear inherent component and nonlinear mapping biases from the Jacobian matrices of the test set, allowing it to adapt effectively to various nonlinear encoding models. We validate the LinBridge framework in the scenario of neural visual encoding, using computational visual representations from CLIP-ViT to predict brain activity recorded via functional magnetic resonance imaging (fMRI). Our experimental results demonstrate that: 1) the linear inherent component extracted by LinBridge accurately reflects the complex mappings of nonlinear neural encoding models; 2) the sample-selective mapping bias elucidates the variability of nonlinearity across different levels of the visual processing hierarchy. This study presents a novel tool for interpreting nonlinear neural encoding models and offers fresh evidence about hierarchical nonlinearity distribution in the visual cortex.
• Abstract（参考訳）: ニューラルネットワーク(ANN)のニューラルエンコーディングは、その計算表現と脳の反応を結びつけ、脳が情報をどのように処理するかについての洞察を提供する。 最近の研究では、脳の反応がしばしば非線形であるにもかかわらず、大半が線形符号化モデルを用いている。 このことが、いまだ解釈可能な非線形符号化モデルの開発への関心を喚起した。 この問題を解決するために、非線形符号化モデルの解釈のためのヤコビアン解析に基づく学習可能で柔軟なフレームワークLinBridgeを提案する。 LinBridgeは、ANN表現とニューラル応答の間の非線形写像は、複雑な非線形関係を近似する線形固有成分と、サンプル選択的な非線形性を捉える写像バイアスに分解できると仮定している。 入力に対する出力変化率を反映するヤコビ行列は、非線形モデルにおけるサンプル選択写像の解析を可能にする。 LinBridgeは、線形固有成分と非線形マッピングバイアスの両方をテストセットのヤコビ行列から抽出する自己教師付き学習戦略を採用し、様々な非線形符号化モデルに効果的に適用することができる。 機能的磁気共鳴画像(fMRI)によって記録された脳活動を予測するために,CLIP-ViTの計算的視覚表現を用いて,LinBridgeフレームワークをニューラルネットワークのシナリオで検証した。 我々の実験結果は以下のとおりである。 1) LinBridgeによって抽出された線形固有成分は、非線形ニューラルエンコーディングモデルの複素写像を正確に反映する。 2) サンプル選択写像バイアスは, 視覚処理階層の異なるレベルにおける非線形性の変動を解明する。 本研究では, 非線形ニューラルエンコーディングモデルを解析し, 視覚野における階層的非線形性分布の新たな証拠を提供する。

関連論文リスト

• A Novel Explanation Against Linear Neural Networks [1.223779595809275]
  線形回帰とニューラルネットワークは、データをモデル化するために広く使われている。 活性化機能を持たないニューラルネットワーク、あるいは線形ニューラルネットワークは、実際にトレーニングとテストの両方のパフォーマンスを低下させる。 この仮説は,LNNの最適化と厳密なテストにより,雑音のあるデータセット上でのLNNと線形回帰の両方のパフォーマンスを比較して証明する。
  論文  参考訳（メタデータ） (2023-12-30T09:44:51Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• On the Detection and Quantification of Nonlinearity via Statistics of the Gradients of a Black-Box Model [0.0]
  非線形性の検出と同定は構造力学において重要な課題である。 データ駆動モデルの勾配分布に基づいて非線形性を検出する手法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T23:15:22Z)
• The Contextual Lasso: Sparse Linear Models via Deep Neural Networks [5.607237982617641]
  本研究では,空間的特徴の関数として空間的パターンと係数が変化するような説明的特徴に疎線形モデルに適合する新しい統計的推定器を開発する。 実データと合成データに関する広範な実験は、学習されたモデルは、非常に透明であり、通常のラッソよりもスペーサーであることを示している。
  論文  参考訳（メタデータ） (2023-02-02T05:00:29Z)
• Exploring Linear Feature Disentanglement For Neural Networks [63.20827189693117]
  Sigmoid、ReLU、Tanhなどの非線形活性化関数は、ニューラルネットワーク(NN)において大きな成功を収めた。 サンプルの複雑な非線形特性のため、これらの活性化関数の目的は、元の特徴空間から線形分離可能な特徴空間へサンプルを投影することである。 この現象は、現在の典型的なNNにおいて、すべての特徴がすべての非線形関数によって変換される必要があるかどうかを探求することに興味をそそる。
  論文  参考訳（メタデータ） (2022-03-22T13:09:17Z)
• On the application of generative adversarial networks for nonlinear modal analysis [0.0]
  非線形モーダル解析を行うための機械学習手法を提案する。 このスキームは、潜在モーダル空間から自然な座標空間への1対1の写像を定義することに重点を置いている。 このマッピングは、最近開発されたサイクル一貫性のある生成的敵ネットワーク(cycle-GAN)とニューラルネットワークのアセンブリを使用して達成される。
  論文  参考訳（メタデータ） (2022-03-02T16:46:41Z)
• Convolutional Filtering and Neural Networks with Non Commutative Algebras [153.20329791008095]
  本研究では,非可換畳み込みニューラルネットワークの一般化について検討する。 非可換畳み込み構造は作用素空間上の変形に対して安定であることを示す。
  論文  参考訳（メタデータ） (2021-08-23T04:22:58Z)
• Learning Nonlinear Waves in Plasmon-induced Transparency [0.0]
  プラズモン誘起透過性メタマテリアルシステムにおける非線形ソリトンの複雑な伝播を予測するためのリカレントニューラルネットワーク(RNN)アプローチを検討する。 我々は,長期記憶(LSTM)人工ニューラルネットワークによるシミュレーションと予測において,結果の顕著な一致を証明した。
  論文  参考訳（メタデータ） (2021-07-31T21:21:44Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
  私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。 我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
  論文  参考訳（メタデータ） (2021-03-02T06:59:52Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。