論文の概要: Untrained CNNs Match Backpropagation at V1: A Systematic RSA Comparison of Four Learning Rules Against Human fMRI

• arxiv url: http://arxiv.org/abs/2604.16875v1
• Date: Sat, 18 Apr 2026 06:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.210274
• Title: Untrained CNNs Match Backpropagation at V1: A Systematic RSA Comparison of Four Learning Rules Against Human fMRI
• Title（参考訳）: 訓練されていないCNNがV1のバックプロパゲーションにマッチする:人間のfMRIに対する4つの学習規則の体系的RSA比較
• Authors: Nils Leutenegger,
• Abstract要約: 同一の畳み込みアーキテクチャに適用された,バックプロパゲーション(BP),フィードバックアライメント(FA),予測符号化(PC),スパイクタイミング依存塑性(STDP)の4つの学習ルールを比較した。 初期の視覚的アライメントは主にアーキテクチャ駆動であり、監視対象は遅延アライメントを駆動する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central question in computational neuroscience is whether the learning rule used to train a neural network determines how well its internal representations align with those of the human visual cortex. We present a systematic comparison of four learning rules -- backpropagation (BP), feedback alignment (FA), predictive coding (PC), and spike-timing-dependent plasticity (STDP) -- applied to identical convolutional architectures and evaluated against human fMRI data from the THINGS-fMRI dataset (720 stimuli, 3 subjects) using Representational Similarity Analysis (RSA). Crucially, we include an untrained random-weights baseline that reveals the dominant role of architecture. We find that early visual alignment (V1/V2) is primarily architecture-driven: an untrained CNN achieves rho = 0.071, statistically indistinguishable from BP (rho = 0.072, p = 0.43). Learning rules only differentiate at higher visual areas: BP dominates at LOC/IT, and PC with local Hebbian updates achieves IT alignment statistically indistinguishable from BP (p = 0.18). FA consistently impairs representations below the random baseline at V1. Partial RSA confirms all effects survive pixel-similarity control. These results demonstrate that the relationship between learning rules and cortical alignment is region-specific: architecture determines early alignment, while supervised objectives drive late alignment.
• Abstract（参考訳）: 計算神経科学における中心的な問題は、ニューラルネットワークを訓練するために使用される学習規則が、その内部表現が人間の視覚野のそれとどの程度うまく一致しているかを決定するかどうかである。 Representational Similarity Analysis (RSA) を用いたTHINGS-fMRIデータセット (720 stimuli, 3 person) から得られたヒト fMRI データに対して, 同一の畳み込み構造に適用した4つの学習規則(BP) , フィードバックアライメント (FA) , 予測符号化 (PC) , スパイク刺激依存塑性 (STDP) の体系的比較を行った。 重要なことに、アーキテクチャの主要な役割を明らかにする、トレーニングされていないランダムウェイトベースラインが含まれています。 訓練されていないCNNは、BP(rho = 0.072, p = 0.43)と統計的に区別できないrho = 0.071を達成する。 BPがLOC/ITを支配し、Hebbianがローカルに更新されたPCは、BPと統計的に区別できないITアライメントを達成する(p = 0.18)。 FA は V1 におけるランダムなベースラインの下の表現を常に損なう。 部分RSAは、すべての効果がピクセル類似性制御を生き残ることを確認している。 これらの結果は,学習ルールと皮質アライメントの関係が地域特異的であることを示し,アーキテクチャが早期アライメントを決定する一方で,教師付き対象が後期アライメントを駆動することを示した。

関連論文リスト

• Does Mechanistic Interpretability Transfer Across Data Modalities? A Cross-Domain Causal Circuit Analysis of Variational Autoencoders [6.5607014897534865]
  タブラル画像関連変分オートエンコーダ(VAE)は、計算、異常検出、合成データ生成にますます利用されている。 本稿では、因果効果強度(CES)の後方校正、経路特異的アクティベーションパッチング、FGD(Feature-Group Disentanglement)の3つの新しい手法を紹介する。
  論文  参考訳（メタデータ） (2026-03-22T13:51:45Z)
• 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)
• Learning KAN-based Implicit Neural Representations for Deformable Image Registration [0.8037525071177886]
  我々はKan-IDIRとRandKAN-IDIRを提案し、Kolmogorov-Arnold Networks(KAN)を暗黙のニューラル表現(INR)で変形可能な画像登録に初めて統合した。 提案したランダム化されたベースサンプリング戦略は,登録品質を維持しつつ,kanの必要なベース関数数を削減できる。 Kan-IDIRとRandKAN-IDIRは、すべての評価されたモダリティと解剖において、INRベースの手法の中で最高精度を達成した。
  論文  参考訳（メタデータ） (2025-09-26T19:37:46Z)
• Neural networks trained with SGD learn distributions of increasing complexity [78.30235086565388]
  勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。 その後、トレーニング中にのみ高次の統計を利用する。 本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
  論文  参考訳（メタデータ） (2022-11-21T15:27:22Z)
• Biologically Plausible Training Mechanisms for Self-Supervised Learning in Deep Networks [14.685237010856953]
  我々は,深層ネットワークにおける自己教師付き学習(SSL)のための生物学的に妥当なトレーニング機構を開発する。 バックパゲーションの2つの選択肢のうちの1つを用いて学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-09-30T12:56:57Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Emergence of Lie symmetries in functional architectures learned by CNNs [63.69764116066748]
  本研究では,自然画像の学習において,畳み込みニューラルネットワーク(CNN)の初期層における対称性の自発的発達について検討する。 私たちのアーキテクチャは、生体視覚システムの初期段階を模倣するために構築されています。
  論文  参考訳（メタデータ） (2021-04-17T13:23:26Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。