論文の概要: Statistical Learning for Latent Embedding Alignment with Application to Brain Encoding and Decoding

• arxiv url: http://arxiv.org/abs/2603.21042v1
• Date: Sun, 22 Mar 2026 03:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.204283
• Title: Statistical Learning for Latent Embedding Alignment with Application to Brain Encoding and Decoding
• Title（参考訳）: 埋め込みアライメントの統計的学習と脳のエンコーディングと復号への応用
• Authors: Shuoxun Xu, Zhanhao Yan, Lexin Li,
• Abstract要約: 脳のエンコーディングとデコーディングは、外部刺激と脳活動の関係を理解することを目的としている。 本稿では,2つの統計的学習要素を備えた軽量アライメントフレームワークを提案する。 我々は,大規模なfMRI画像再構成ベンチマークデータに対して,競争力のある実験性能を示す。
• 参考スコア（独自算出の注目度）: 2.9949629644252376
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain encoding and decoding aims to understand the relationship between external stimuli and brain activities, and is a fundamental problem in neuroscience. In this article, we study latent embedding alignment for brain encoding and decoding, with a focus on improving sample efficiency under limited fMRI-stimulus paired data and substantial subject heterogeneity. We propose a lightweight alignment framework equipped with two statistical learning components: inverse semi-supervised learning that leverages abundant unpaired stimulus embeddings through inverse mapping and residual debiasing, and meta transfer learning that borrows strength from pretrained models across subjects via sparse aggregation and residual correction. Both methods operate exclusively at the alignment stage while keeping encoders and decoders frozen, allowing for efficient computation, modular deployment, and rigorous theoretical analysis. We establish finite-sample generalization bounds and safety guarantees, and demonstrate competitive empirical performance on the large-scale fMRI-image reconstruction benchmark data.
• Abstract（参考訳）: 脳の符号化と復号は、外的刺激と脳活動の関係を理解することを目的としており、神経科学における根本的な問題である。 本稿では,fMRI刺激ペアデータと被写体の不均一性に着目し,脳の符号化と復号のための潜時埋め込みアライメントについて検討する。 本稿では,逆マッピングと残差デバイアスによる豊富な刺激埋め込みを利用する逆半教師付き学習と,スパースアグリゲーションと残差補正によって対象者間で事前学習されたモデルから強度を借りるメタトランスファー学習という,2つの統計的学習要素を備えた軽量アライメントフレームワークを提案する。 どちらの手法もアライメント段階でのみ動作し、エンコーダとデコーダを凍結させ、効率的な計算、モジュール配置、厳密な理論解析を可能にする。 我々は、有限サンプル一般化境界と安全性保証を確立し、大規模なfMRI画像再構成ベンチマークデータに対して競合的な実験性能を示す。

関連論文リスト

• A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies [11.167221101488229]
  提案するフレームワークは、事前訓練された畳み込みニューラルネットワーク上に構築され、軽量なハイブリッドニューラルネットワーク表現を構築する。 効率的なパラメータ適応を実現するために、選択的神経可塑性トレーニング戦略を導入する。 脳にインスパイアされた注意変調損失関数は、ハードサンプルや不確実なアノテーションに対する感受性を高めるために用いられる。
  論文  参考訳（メタデータ） (2026-01-22T11:14:37Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
  脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。 本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。 微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-06-12T20:35:16Z)
• Neuro-TransUNet: Segmentation of stroke lesion in MRI using transformers [0.6554326244334866]
  本研究では,U-Netの空間的特徴抽出をSwinUNETRのグローバルな文脈処理能力と併用するNeuro-TransUNetフレームワークを提案する。 提案したNeuro-TransUNetモデルは、ATLAS v2.0のアントレーニングデータセットでトレーニングされ、既存のディープラーニングアルゴリズムを上回っ、脳卒中病変セグメンテーションの新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-10T04:36:21Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。