論文の概要: Evolution With Purpose: Hierarchy-Informed Optimization of Whole-Brain Models
- arxiv url: http://arxiv.org/abs/2602.11398v2
- Date: Fri, 13 Feb 2026 22:13:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 14:17:27.733983
- Title: Evolution With Purpose: Hierarchy-Informed Optimization of Whole-Brain Models
- Title（参考訳）: 目的による進化:階層型全脳モデルの最適化
- Authors: Hormoz Shahrzad, Niharika Gajawelli, Kaitlin Maile, Manish Saggar, Risto Miikkulainen,
- Abstract要約: これは、非線形相互作用を持つ多くのパラメータを最適化する必要のない大規模生体物理学的脳モデリングによく適している。
標準的な進化的アプローチはMRIデータに優れた適合性をもたらすが、多くの可能なソリューションの中で、個々の被験者に過度に適応し、限られた予測力を提供するものを見つける。
本稿では,進化を生物学的知識で導くことが有効かどうかを考察する。
- 参考スコア（独自算出の注目度）: 9.529336671809107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary search is well suited for large-scale biophysical brain modeling, where many parameters with nonlinear interactions and no tractable gradients need to be optimized. Standard evolutionary approaches achieve an excellent fit to MRI data; however, among many possible such solutions, it finds ones that overfit to individual subjects and provide limited predictive power. This paper investigates whether guiding evolution with biological knowledge can help. Focusing on whole-brain Dynamic Mean Field (DMF) models, a baseline where 20 parameters were shared across the brain was compared against a heterogeneous formulation where different sets of 20 parameters were used for the seven canonical brain regions. The heterogeneous model was optimized using four strategies: optimizing all parameters at once, a curricular approach following the hierarchy of brain networks (HICO), a reversed curricular approach, and a randomly shuffled curricular approach. While all heterogeneous strategies fit the data well, only curricular approaches generalized to new subjects. Most importantly, only HICO made it possible to use the parameter sets to predict the subjects' behavioral abilities as well. Thus, by guiding evolution with biological knowledge about the hierarchy of brain regions, HICO demonstrated how domain knowledge can be harnessed to serve the purpose of optimization in real-world domains.
- Abstract（参考訳）: 進化的探索は、非線形相互作用を持つ多くのパラメータを最適化する必要のない大規模生物物理学的脳モデリングに適している。
標準的な進化的アプローチはMRIデータに優れた適合性をもたらすが、多くの可能なソリューションの中で、個々の被験者に過度に適応し、限られた予測力を提供するものを見つける。
本稿では,進化を生物学的知識で導くことが有効かどうかを考察する。
脳全体のダイナミック平均場(DMF)モデルに焦点をあて、脳全体で20のパラメータが共有されるベースラインを、20のパラメータの異なるセットが7つの標準脳領域で使用されるヘテロジニアスな定式化と比較した。
ヘテロジニアスモデルは、全てのパラメータを一度に最適化すること、脳ネットワーク(HICO)の階層に追従する曲率アプローチ、反転曲率アプローチ、ランダムにシャッフルされた曲率アプローチの4つの戦略を用いて最適化された。
ヘテロジニアスな戦略はすべてデータによく適合するが、新しい主題に一般化されたのは曲率的なアプローチのみである。
最も重要なことは、HICOだけが、被験者の行動能力を予測するためにパラメータセットを使用することを可能にしたことである。
そこでHICOは,脳領域の階層構造に関する生物学的知識を用いて進化を導くことによって,実世界の領域における最適化の目的を達成するために,ドメイン知識をどのように活用できるかを実証した。
関連論文リスト
- A Brain Graph Foundation Model: Pre-Training and Prompt-Tuning for Any Atlas and Disorder [9.83654608793608]
本稿では,脳グラフ基盤モデルを構築するための,グラフに基づく新しい事前学習パラダイムを提案する。
BrainGFMは、様々なパーセレーションと様々な脳のアトラスの混合物で事前訓練されている。
BrainGFMは、25の一般的な神経疾患と精神疾患にまたがる27のデータセットで事前訓練されている。
論文 参考訳（メタデータ） (2025-05-31T20:35:53Z) - Learning Evolution via Optimization Knowledge Adaptation [50.280704114978384]
進化的アルゴリズム(EA)は、複雑なタスクの解を見つけるために、進化的演算子を通して集団を維持する。
最適化知識適応進化モデル(okaEM)を導入し,最適化能力を向上する。
okaEMは、様々な知識伝達設定におけるパフォーマンス向上のために、事前知識を活用する。
自然選択と遺伝子組換えの原理をエミュレートすることができる。
論文 参考訳（メタデータ） (2025-01-04T05:35:21Z) - Brain-JEPA: Brain Dynamics Foundation Model with Gradient Positioning and Spatiotemporal Masking [5.528773909620209]
Brain-JEPAは、JEPA(Joint-Embedding Predictive Architecture)を用いた脳動力学基礎モデルである
Brain-JEPAは2つの革新的な技術、Brain Gradient PositioningとSpatiotemporal Maskingを取り入れている。
論文 参考訳（メタデータ） (2024-09-28T17:06:06Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Aligning brain functions boosts the decoding of visual semantics in
novel subjects [3.226564454654026]
脳の反応をビデオや静止画像に合わせることで脳の復号化を促進することを提案する。
提案手法はオブジェクト外デコード性能を最大75%向上させる。
また、テスト対象者に対して100分未満のデータが得られる場合、古典的な単一オブジェクトアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-12-11T15:55:20Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Differentiable modeling to unify machine learning and physical models
and advance Geosciences [38.92849886903847]
微分可能地科学モデリング(DG)の概念,適用性,意義について概説する。
微分可能(differentiable)とは、モデル変数に関する勾配を正確かつ効率的に計算すること。
予備的な証拠は、DGが機械学習よりも優れた解釈可能性と因果性を提供することを示している。
論文 参考訳（メタデータ） (2023-01-10T15:24:14Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - EpidemiOptim: A Toolbox for the Optimization of Control Policies in
Epidemiological Models [12.748861129923348]
EpidemiOptimは、疫学と最適化の研究者間のコラボレーションを容易にするPythonツールボックスである。
これは疫学モデルとコスト関数を、最適化実践者が一般的に使用する標準インターフェースを介して最適化問題に変換する。
本稿では,エピデミオプティムを用いて,死傷率と経済不況の最適化の下で,ロックダウン制御を動的に行うための最適ポリシーを提案する。
論文 参考訳（メタデータ） (2020-10-09T09:25:41Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳（メタデータ） (2020-02-29T18:49:45Z)
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。