Fugu-MT 論文翻訳(概要): Neuro-Symbolic Decoding of Neural Activity

論文の概要: Neuro-Symbolic Decoding of Neural Activity

arxiv url: http://arxiv.org/abs/2603.03343v1
Date: Sun, 22 Feb 2026 23:36:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-09 01:20:08.172797
Title: Neuro-Symbolic Decoding of Neural Activity
Title（参考訳）: ニューロ・シンボリック・デコードによる神経活動の解析
Authors: Yanchen Wang, Joy Hsu, Ehsan Adeli, Jiajun Wu,
Abstract要約: NEURONAは、fMRIデコードと神経活動の基礎となる概念のための神経象徴的なフレームワークである。 NEURONAは、fMRI応答のパターンに基づいて、相互作用する概念を視覚刺激からデコードすることを学ぶ。
参考スコア（独自算出の注目度）: 23.065609325838622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose NEURONA, a neuro-symbolic framework for fMRI decoding and concept grounding in neural activity. Leveraging image- and video-based fMRI question-answering datasets, NEURONA learns to decode interacting concepts from visual stimuli based on patterns of fMRI responses, integrating symbolic reasoning and compositional execution with fMRI grounding across brain regions. We demonstrate that incorporating structural priors (e.g., compositional predicate-argument dependencies between concepts) into the decoding process significantly improves both decoding accuracy over precise queries, and notably, generalization to unseen queries at test time. With NEURONA, we highlight neuro-symbolic frameworks as promising tools for understanding neural activity.
Abstract（参考訳）: 我々は,fMRIデコードのためのニューロシンボリックフレームワークであるNEURONAを提案する。 NEURONAは、画像とビデオに基づくfMRI質問答えデータセットを活用することで、fMRI応答のパターンに基づいて、相互作用する概念を視覚刺激からデコードすることを学び、象徴的推論と合成的実行を、fMRIの脳領域をまたいだグラウンドディングと統合する。構造的事前(例えば、概念間の合成述語-係り受け関係)をデコードプロセスに組み込むことで、正確なクエリよりもデコード精度が大幅に向上し、特に、テスト時に目に見えないクエリに一般化できることを実証する。 NEURONAでは、ニューロシンボリックなフレームワークを神経活動を理解するための有望なツールとして取り上げる。

関連論文リスト

Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
論文参考訳（メタデータ） (2025-10-02T19:38:46Z)
BrainFLORA: Uncovering Brain Concept Representation via Multimodal Neural Embeddings [19.761793010311614]
我々は、相互モーダルなニューロイメージングデータを統合する統合フレームワークBrainFLORAを導入し、共有されたニューラル表現を構築する。提案手法では,マルチモーダル大規模言語モデル (MLLM) に適応型アダプタとタスクデコーダを付加し,共同オブジェクト視覚検索における最先端性能を実現する。 BrainFLORAは認知神経科学と脳-コンピュータインターフェース(BCI)に新しい意味を与える
論文参考訳（メタデータ） (2025-07-13T18:56:17Z)
Brain2Text Decoding Model Reveals the Neural Mechanisms of Visual Semantic Processing [0.17188280334580194]
本稿では,fMRI信号を直接自然な画像のテキスト記述にデコードする新しいフレームワークを提案する。視覚情報なしで訓練された新しいディープラーニングモデルは、最先端のセマンティックデコーディング性能を実現する。
論文参考訳（メタデータ） (2025-03-15T07:28:02Z)
Towards Neural Foundation Models for Vision: Aligning EEG, MEG, and fMRI Representations for Decoding, Encoding, and Modality Conversion [0.11249583407496218]
本稿では, コントラスト学習を活用することで, 脳活動のマルチモーダル表現に対して, 神経データと視覚刺激を協調させる基礎モデルを構築するための新しいアプローチを提案する。脳波(EEG)、脳磁図(MEG)、fMRIデータを用いた。われわれのフレームワークの能力は、ニューラルデータから視覚情報をデコードし、画像をニューラル表現にエンコードし、ニューラルモダリティ間の変換という3つの重要な実験によって実証される。
論文参考訳（メタデータ） (2024-11-14T12:27:27Z)
Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
論文参考訳（メタデータ） (2024-10-17T17:47:54Z)
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)
Constraints on the design of neuromorphic circuits set by the properties of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文参考訳（メタデータ） (2022-12-08T15:16:04Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文参考訳（メタデータ） (2021-12-06T10:16:54Z)

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。