論文の概要: Integrated representational signatures strengthen specificity in brains and models

• arxiv url: http://arxiv.org/abs/2510.20847v1
• Date: Tue, 21 Oct 2025 04:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.266399
• Title: Integrated representational signatures strengthen specificity in brains and models
• Title（参考訳）: 統合的表現的シグネチャは脳とモデルにおける特異性を増強する
• Authors: Jialin Wu, Shreya Saha, Yiqing Bo, Meenakshi Khosla,
• Abstract要約: similarity Network Fusion (SNF) は、もともとマルチオミクスデータ統合のために開発されたフレームワークである。 SNFは、単一のメートル法よりもかなりシャープな地域レベルとモデル家族レベルの分離を生成する。 SNF由来の類似度スコアを用いた皮質領域のクラスタリングは、より明確な階層構造を示す。
• 参考スコア（独自算出の注目度）: 8.045700364123645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The extent to which different neural or artificial neural networks (models) rely on equivalent representations to support similar tasks remains a central question in neuroscience and machine learning. Prior work has typically compared systems using a single representational similarity metric, yet each captures only one facet of representational structure. To address this, we leverage a suite of representational similarity metrics-each capturing a distinct facet of representational correspondence, such as geometry, unit-level tuning, or linear decodability-and assess brain region or model separability using multiple complementary measures. Metrics that preserve geometric or tuning structure (e.g., RSA, Soft Matching) yield stronger region-based discrimination, whereas more flexible mappings such as Linear Predictivity show weaker separation. These findings suggest that geometry and tuning encode brain-region- or model-family-specific signatures, while linearly decodable information tends to be more globally shared across regions or models. To integrate these complementary representational facets, we adapt Similarity Network Fusion (SNF), a framework originally developed for multi-omics data integration. SNF produces substantially sharper regional and model family-level separation than any single metric and yields robust composite similarity profiles. Moreover, clustering cortical regions using SNF-derived similarity scores reveals a clearer hierarchical organization that aligns closely with established anatomical and functional hierarchies of the visual cortex-surpassing the correspondence achieved by individual metrics.
• Abstract（参考訳）: 異なるニューラルネットワークや人工ニューラルネットワーク(モデル)が、同様のタスクをサポートするために同等の表現に依存している範囲は、神経科学と機械学習において依然として中心的な問題である。 従来の研究は、単一の表現的類似度メートル法を用いてシステムを比較するのが一般的だったが、それぞれが表現的構造の1つの面のみをキャプチャする。 これを解決するために、幾何、単位レベルのチューニング、線形対数可能性などの表現的対応の異なる面を捕捉する一連の表現的類似度指標を活用し、複数の相補的測度を用いて脳領域またはモデル分離性を評価する。 幾何構造やチューニング構造(例えばRSA、ソフトマッチング)を保存するメトリクスは、より強い地域ベースの識別をもたらすが、線形予測のようなより柔軟な写像はより弱い分離を示す。 これらの結果から,脳領域あるいはモデルファミリー固有のシグネチャをコードする形状やチューニングが示唆される一方,線形デオード可能な情報は地域やモデル間でよりグローバルに共有される傾向にある。 これらの相補的な表現型ファセットを統合するために,マルチオミクスデータ統合のためのフレームワークであるSimisity Network Fusion (SNF) を適用した。 SNFは、単一のメートル法よりもかなりシャープな地域レベルとモデル家族レベルの分離を生成し、頑健な複合類似性プロファイルを生成する。 さらに、SNF由来の類似度スコアを用いた脳皮質領域のクラスタリングは、個々の指標によって達成された対応を通り抜ける、視覚野の確立した解剖学的および機能的階層と密接に一致したより明確な階層構造を示す。

関連論文リスト

• A Data-driven Typology of Vision Models from Integrated Representational Metrics [8.045700364123645]
  大規模ビジョンモデルは、アーキテクチャやトレーニングのパラダイムにおいて大きく異なるが、家族間で表現のどの側面が共有されているかを決定するための原則的な方法が欠如している。 表現的類似度メトリクスの組を活用し、それぞれ異なる顔-幾何学、ユニットチューニング、線形な陰極性、および家族分離性を評価する。 我々は、これらの相補的なファセットを統合するために、マルチオミクス統合にインスパイアされたSimisity Network Fusion(SNF)を適用する。
  論文  参考訳（メタデータ） (2025-09-25T21:46:09Z)
• Scale-Invariance Drives Convergence in AI and Brain Representations [7.318297580732467]
  近年の研究では、大規模なAIモデルは、神経活動と一致する同様の内部表現に収束することがしばしば示されている。 AI表現におけるスケール不変性の2つの中核的側面:次元安定性とスケール間の構造的類似性。 解析の結果,fMRIデータと一致し,より一貫した次元と構造的類似性が得られた。
  論文  参考訳（メタデータ） (2025-06-13T15:36:04Z)
• Connecting Neural Models Latent Geometries with Relative Geodesic Representations [21.71782603770616]
  遅延構造を異なる潜在空間間で共有する場合、表現間の相対距離を歪みまで保存できることが示される。 異なるニューラルモデルは、ほぼ同じ基礎多様体をパラメータ化し、プルバック計量に基づく表現を導入すると仮定する。 本手法は,オートエンコーダと視覚基盤識別モデルを対象として,モデルの縫合と検索のタスクについて検証する。
  論文  参考訳（メタデータ） (2025-06-02T12:34:55Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Deconfounded Representation Similarity for Comparison of Neural Networks [16.23053104309891]
  類似度指標は、入力空間内のデータ項目の集団構造によって構成される。 類似度指標を分解することで,意味論的に類似したニューラルネットワークを検出する分解能が向上することを示す。
  論文  参考訳（メタデータ） (2022-01-31T21:25:02Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• Generalized Shape Metrics on Neural Representations [26.78835065137714]
  表現上の相似性を定量化する計量空間の族を提供する。 我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。 解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
  論文  参考訳（メタデータ） (2021-10-27T19:48:55Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。