論文の概要: Transforming Behavioral Neuroscience Discovery with In-Context Learning and AI-Enhanced Tensor Methods

• arxiv url: http://arxiv.org/abs/2602.17027v1
• Date: Thu, 19 Feb 2026 02:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.607481
• Title: Transforming Behavioral Neuroscience Discovery with In-Context Learning and AI-Enhanced Tensor Methods
• Title（参考訳）: 文脈学習とAI強化テンソル法による行動神経科学の発見
• Authors: Paimon Goulart, Jordan Steinhauser, Dawon Ahn, Kylene Shuler, Edward Korzus, Jia Chen, Evangelos E. Papalexakis,
• Abstract要約: 私たちは、チーム内のドメインの専門家が実験データから洞察を得られるように、変革と加速するために設計されたAI強化パイプラインの例を紹介します。 手元にある応用は行動神経科学の分野において、マウスの恐怖の一般化を研究することである。 ドメインエキスパートがAIモデルのトレーニングや微調整を必要とせず、パイプラインの一部を自動化するのに適したインターフェースとして、ICL(In-Context Learning)の新たなパラダイムを特定します。
• 参考スコア（独自算出の注目度）: 5.319819085855185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery pipelines typically involve complex, rigid, and time-consuming processes, from data preparation to analyzing and interpreting findings. Recent advances in AI have the potential to transform such pipelines in a way that domain experts can focus on interpreting and understanding findings, rather than debugging rigid pipelines or manually annotating data. As part of an active collaboration between data science/AI researchers and behavioral neuroscientists, we showcase an example AI-enhanced pipeline, specifically designed to transform and accelerate the way that the domain experts in the team are able to gain insights out of experimental data. The application at hand is in the domain of behavioral neuroscience, studying fear generalization in mice, an important problem whose progress can advance our understanding of clinically significant and often debilitating conditions such as PTSD (Post-Traumatic Stress Disorder). We identify the emerging paradigm of "In-Context Learning" (ICL) as a suitable interface for domain experts to automate parts of their pipeline without the need for or familiarity with AI model training and fine-tuning, and showcase its remarkable efficacy in data preparation and pattern interpretation. Also, we introduce novel AI-enhancements to tensor decomposition model, which allows for more seamless pattern discovery from the heterogeneous data in our application. We thoroughly evaluate our proposed pipeline experimentally, showcasing its superior performance compared to what is standard practice in the domain, as well as against reasonable ML baselines that do not fall under the ICL paradigm, to ensure that we are not compromising performance in our quest for a seamless and easy-to-use interface for domain experts. Finally, we demonstrate effective discovery, with results validated by the domain experts in the team.
• Abstract（参考訳）: 科学的な発見パイプラインは通常、データ準備から分析、解釈に至るまで、複雑な、堅固で、時間を要するプロセスを含む。 AIの最近の進歩は、厳格なパイプラインのデバッグや手作業によるデータアノテーションよりも、ドメインの専門家が発見の解釈と理解に集中できるように、そのようなパイプラインを変革する可能性がある。 データサイエンス/AI研究者と行動神経科学者の活発なコラボレーションの一環として、チーム内のドメインの専門家が実験データから洞察を得るための、変革と加速を目的としたAI強化パイプラインの例を紹介します。 行動神経科学の分野での応用は、マウスにおける恐怖の一般化を研究することであり、その進歩によってPTSD(Post-Traumatic Stress Disorder)のような臨床的に重要で、しばしば不安定な状態の理解が前進する重要な問題である。 我々は、AIモデルトレーニングや微調整を必要とせずに、ドメインエキスパートがパイプラインの一部を自動化するのに適したインターフェースとして、ICL(In-Context Learning)の新たなパラダイムを特定し、データ準備とパターン解釈においてその顕著な効果を示す。 また、テンソル分解モデルに新しいAIエンハンスメントを導入し、アプリケーション内の異種データからよりシームレスなパターン発見を可能にする。 提案したパイプラインを実験的に評価し、ドメインの標準プラクティスと比較して優れたパフォーマンスを示し、ICLパラダイムに該当しない合理的なMLベースラインに対して、ドメインの専門家にとってシームレスで使いやすいインターフェースを求めて、パフォーマンスを損なわないよう保証します。 最後に、チーム内のドメインの専門家によって検証された結果、効果的な発見を実証する。

関連論文リスト

• Can Agentic AI Match the Performance of Human Data Scientists? [27.236034079837044]
  大規模言語モデル(LLM)は、非常に自動化されたデータサイエンスを持つ。 これらのエージェントAIシステムは、人間のデータサイエンティストのパフォーマンスに本当にマッチできるか? ジェネリック分析ワークフローに依存するエージェントAIは、ドメイン固有の洞察を使用するメソッドに劣っていることを示す。
  論文  参考訳（メタデータ） (2025-12-24T05:31:42Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• In-Context Learning for Pure Exploration [28.404325855738502]
  本研究は, 純粋探索(Pure Exploring)としても知られる, 能動的逐次仮説検定の課題について考察する。 In-Context Pure Exploration (ICPE)を導入し、トランスフォーマーをメタトレーニングして、観測履歴をクエリアクションと予測仮説にマッピングする。 ICPEは、新しいタスクの証拠を積極的に収集し、パラメータの更新なしに真の仮説を推測する。
  論文  参考訳（メタデータ） (2025-06-02T17:04:50Z)
• Ensuring Medical AI Safety: Interpretability-Driven Detection and Mitigation of Spurious Model Behavior and Associated Data [14.991686165405959]
  2つのモダリティにまたがる4つの医療データセットを用いて,フレームワークの適用性を示す。 VGG16, ResNet50, および同時代のVision Transformerモデルにおいて, これらのバイアスを特定し, 解放することに成功した。
  論文  参考訳（メタデータ） (2025-01-23T16:39:09Z)
• SEANN: A Domain-Informed Neural Network for Epidemiological Insights [0.9749638953163389]
  ドメイン固有知識の一般的な形式を活用した情報診断のための新しいアプローチSEANNを紹介します:pooled Effect Sizes (PES) PESは、公表されたメタ分析研究でよく見られ、異なる形態で、科学的コンセンサスの定量的な形態を表している。 本研究では, 予測性能の一般化可能性および抽出された関係の科学的妥当性について, 有意な改善を実験的に示す。
  論文  参考訳（メタデータ） (2025-01-17T16:01:05Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• A Deep Learning Approach to Analyzing Continuous-Time Systems [20.89961728689037]
  深層学習が複雑なプロセスの解析に有効であることを示す。 提案手法は,多くの自然系に対して不可解な標準的な仮定を緩和する。 行動・神経画像データに顕著な改善が認められた。
  論文  参考訳（メタデータ） (2022-09-25T03:02:31Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。