論文の概要: NeuroClaw Technical Report

• arxiv url: http://arxiv.org/abs/2604.24696v1
• Date: Mon, 27 Apr 2026 16:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.191809
• Title: NeuroClaw Technical Report
• Title（参考訳）: NeuroClaw 技術報告
• Authors: Cheng Wang, Zhibin He, Zhihao Peng, Shengyuan Liu, Yufan Hu, Lichao Sun, Xiang Li, Yixuan Yuan,
• Abstract要約: NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。 NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。 3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
• 参考スコア（独自算出の注目度）: 54.14941057366186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic artificial intelligence systems promise to accelerate scientific workflows, but neuroimaging poses unique challenges: heterogeneous modalities (sMRI, fMRI, dMRI, EEG), long multi-stage pipelines, and persistent reproducibility risks. To address this gap, we present NeuroClaw, a domain-specialized multi-agent research assistant for executable and reproducible neuroimaging research. NeuroClaw operates directly on raw neuroimaging data across formats and modalities, grounding decisions in dataset semantics and BIDS metadata so users need not prepare curated inputs or bespoke model code. The platform combines harness engineering with end-to-end environment management, including pinned Python environments, Docker support, automated installers for common neuroimaging tools, and GPU configuration. In practice, this layer emphasizes checkpointing, post-execution verification, structured audit traces, and controlled runtime setup, making toolchains more transparent while improving reproducibility and auditability. A three-tier skill/agent hierarchy separates user-facing interaction, high-level orchestration, and low-level tool skills to decompose complex workflows into safe, reusable units. Alongside the NeuroClaw framework, we introduce NeuroBench, a system-level benchmark for executability, artifact validity, and reproducibility readiness. Across multiple multimodal LLMs, NeuroClaw-enabled runs yield consistent and substantial score improvements compared with direct agent invocation. Project homepage: https://cuhk-aim-group.github.io/NeuroClaw/index.html
• Abstract（参考訳）: エージェント人工知能システムは科学的なワークフローを加速することを約束するが、ニューロイメージングは異質なモダリティ(sMRI、fMRI、dMRI、EEG)、長い多段階パイプライン、持続的な再現性リスクなど、ユニークな課題を生んでいる。 このギャップに対処するために、我々はドメイン特化マルチエージェント研究アシスタントであるNeuroClawを紹介した。 NeuroClawは、フォーマットやモダリティをまたいだ生のニューロイメージングデータを直接運用し、セマンティックスやBIDSメタデータに決定を下す。 このプラットフォームは、ハーネスエンジニアリングと、ピン留めされたPython環境、Dockerサポート、一般的なニューロイメージングツールの自動インストーラ、GPU設定など、エンドツーエンドの環境管理を組み合わせたものだ。 実際には、このレイヤはチェックポイント、実行後の検証、構造化された監査トレース、制御されたランタイム設定を強調し、ツールチェーンをより透過的にし、再現性と監査性を改善している。 3階層のスキル/エージェント階層は、複雑なワークフローを安全な再利用可能なユニットに分解するために、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。 NeuroClawフレームワークに加えて、実行可能性、アーティファクトの妥当性、再現性のためのシステムレベルのベンチマークであるNeuroBenchを導入する。 複数のマルチモーダル LLM に対して、NeuroClaw 対応ランは直接のエージェント呼び出しと比較して、一貫した、実質的なスコア改善を実現している。 プロジェクトホームページ: https://cuhk-aim-group.github.io/NeuroClaw/index.html

関連論文リスト

• NeuroMesh: A Unified Neural Inference Framework for Decentralized Multi-Robot Collaboration [7.824386969078225]
  NeuroMeshはマルチドメイン、クロスプラットフォーム、モジュール化された分散ニューラルネットワークフレームワークである。 統一パイプラインでの監視エンコーディング、メッセージパッシング、アグリゲーション、タスクデコーディングを標準化する。 我々は,航空機および地上ロボットの異種チームにおけるNeuroMeshの有効性を検証し,多様なタスク構造とペイロードサイズにわたるロバストな操作を実証した。
  論文  参考訳（メタデータ） (2026-04-16T18:54:34Z)
• Cedalion Tutorial: A Python-based framework for comprehensive analysis of multimodal fNIRS & DOT from the lab to the everyday world [0.0]
  Cedalionは、fNIRSとDOTデータのモデルベースおよびデータ駆動分析を統合するために設計されたPythonベースのフレームワークである。 SNIRFとBIDS標準をサポートし、クラウドで実行可能なJupyterノートブックをサポートし、コンテナ化された分析パイプラインを提供する。 信号品質評価、運動補正、GLMモデリング、再構成のための検証済みアルゴリズムを実装し、シミュレーション、データ拡張、マルチモーダル生理学解析のモジュールによって補完される。
  論文  参考訳（メタデータ） (2026-01-09T16:37:48Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• 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)
• SciML Agents: Write the Solver, Not the Solution [69.5021018644143]
  敵の"ミスリーディング"問題の診断データセットと,1,000種類のODEタスクの大規模ベンチマークという,2つの新しいデータセットを紹介した。 オープンおよびクローズドソース LLM モデルについて, (i) 誘導型とガイド型, (ii) オフ・ザ・シェルフ対微調整型という2つの軸に沿って評価した。 予備的な結果は、慎重なプロンプトと微調整により、単純なODE問題を確実に解決できる特殊なLLMエージェントが得られることを示唆している。
  論文  参考訳（メタデータ） (2025-09-12T02:53:57Z)
• Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing [4.066607775161713]
  神経力学をシミュレートするニューラルネットワークとニューロモルフィックハードウェアプラットフォームが注目されている。 本稿では,デジタルニューロモルフィックシステムにおける計算の共通参照フレームを確立する。 7つのニューロモルフィックシミュレータと4つのデジタルハードウェアプラットフォームにまたがる複雑さの異なる3つのスパイクニューラルネットワークモデルを再現して実演する。
  論文  参考訳（メタデータ） (2023-11-24T18:15:59Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。