論文の概要: Inverting Foundation Models of Brain Function with Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2604.23865v1
• Date: Sun, 26 Apr 2026 20:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.602579
• Title: Inverting Foundation Models of Brain Function with Simulation-Based Inference
• Title（参考訳）: シミュレーションに基づく推論による脳機能のインバージョンモデル
• Authors: Niels Bracher, Xavier Intes, Stefan T. Radev,
• Abstract要約: 脳活動の基礎モデルは、サイリコ神経科学の新しいフロンティアを約束する。 人工脳活動から刺激またはその特性を回復できるか? 本稿では TRIBEv2 を用いた概念実証において,この問題を考察する。
• 参考スコア（独自算出の注目度）: 2.5139482439382177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models of brain activity promise a new frontier for in silico neuroscience by emulating neural responses to complex stimuli across tasks and modalities. A natural next step is to ask whether these models can also be used in reverse. Can we recover a stimulus or its properties from synthetic brain activity? We study this question in a proof-of-concept setting using TRIBEv2. We pair the brain emulator with large language models (LLMs) that generate news headlines from linguistic parameters such as valence, arousal, and dominance. We then use simulation-based inference to learn a probabilistic mapping from brain maps to latent stimulus parameters. Our results show that these parameters can be recovered from predicted brain maps, validating the quality of neural encodings. They also show that LLMs can serve as controllable stimulus generators for simulated experiments. Together, these findings provide a step toward decoding and inverse design with foundation brain models.
• Abstract（参考訳）: 脳活動の基礎モデルは、タスクやモダリティの複雑な刺激に対する神経反応をエミュレートすることで、サイリコ神経科学の新しいフロンティアを約束する。 次の自然なステップは、これらのモデルが逆でも使えるかどうかを尋ねることである。 人工脳活動から刺激またはその特性を回復できるか? 本稿では TRIBEv2 を用いた概念実証において,この問題を考察する。 脳エミュレータと大きな言語モデル(LLM)を組み合わせて、原子価、覚醒、支配といった言語パラメータからニュースの見出しを生成する。 次に、シミュレーションに基づく推論を用いて、脳地図から潜在刺激パラメータへの確率的マッピングを学習する。 以上の結果から,これらのパラメータは予測された脳地図から回収され,神経エンコーディングの品質が検証された。 また、LLMがシミュレーション実験のための制御可能な刺激発生器として機能することも示している。 これらの発見は、基礎脳モデルによるデコードと逆設計へのステップを提供する。

関連論文リスト

• Neuroprobe: Evaluating Intracranial Brain Responses to Naturalistic Stimuli [13.536940903353768]
  高解像度のニューラルデータセットは、次世代の脳-コンピュータインタフェースと神経学的治療の基礎モデルを可能にする。 Neuroprobeは、脳内のマルチモーダル言語処理を研究するためのデコードタスクのスイートである。 NeuroprobeはBrainTreebankのデータセット上に構築されており、10人の被験者から40時間のiEEG録音が自然主義映画視聴タスクを実行している。
  論文  参考訳（メタデータ） (2025-09-25T22:38:53Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• A Review of Latent Representation Models in Neuroimaging [0.0]
  ラテント表現モデルは、高次元のニューロイメージングデータを低次元のラテント空間に還元するように設計されている。 これらの潜伏空間をモデル化することで、研究者は脳の生物学と機能に関する洞察を得ることを望んでいる。 本総説では, 疾患診断や進行モニタリングなどの臨床応用だけでなく, 基礎的脳機構の解明にもこれらのモデルが用いられていることを論じる。
  論文  参考訳（メタデータ） (2024-12-24T19:12:11Z)
• 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)
• Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding (Survey) [9.14580723964253]
  人工知能は人間の脳の秘密を解き放つことができるのか? 脳記録のパワーをタップすることでAIを強化することは可能か? 本調査は,ヒト脳記録研究と最先端認知神経科学データセットに焦点を当てた。
  論文  参考訳（メタデータ） (2023-07-17T06:54:36Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Learning identifiable and interpretable latent models of high-dimensional neural activity using pi-VAE [10.529943544385585]
  本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。 我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。 人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
  論文  参考訳（メタデータ） (2020-11-09T22:00:38Z)

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。