論文の概要: How Much is Brain Data Worth for Machine Learning?

• arxiv url: http://arxiv.org/abs/2605.09243v1
• Date: Sun, 10 May 2026 00:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.140897
• Title: How Much is Brain Data Worth for Machine Learning?
• Title（参考訳）: 機械学習の脳データの価値はどれくらいか?
• Authors: Lane Lewis, Zhixin Wang, David Schwab, Xaq Pitkow,
• Abstract要約: 最近のNeuroAIの研究は、ニューラル録音によるタスクトレーニングを補うことで、モデルの性能と堅牢性が適度に向上することを示している。 この問題を数学的に定式化し, 単純かつ解析的に抽出可能な線形ガウスモデルとニューラル記録を用いて理論的に解決し始める。 私たちの結果は、機械学習を改善する上で、脳データがどれほど価値があるかを理解するための基盤を提供する。
• 参考スコア（独自算出の注目度）: 3.6852801940482984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: If a person can solve a task, can measuring their brain make it easier to train a model to solve that task too? Recent NeuroAI work suggests that supplementing task training with neural recordings can modestly improve model performance and robustness. However, it is unclear when there should be a benefit from using neural data and how much benefit to expect. We formulate this question mathematically, and begin to address it theoretically using a simple, analytically tractable linear gaussian model of task targets and neural recordings. For a multimodal estimator trained on both brain data and task labels, we derive scaling laws for how performance scales with the numbers of brain and task samples. From these laws we derive relative value and exchange rates between brain samples and task samples, quantifying how much extra task samples neural data is worth as a function of task-brain alignment, neural and task noise, latent dimension, and brain data sample size. We also analyze test distribution shift, to identify conditions where brain-regularized learning can produce substantial robustness gains through learned invariances. Finally, under a fixed collection budget, we characterize the regimes in which brain data is worth collecting. Our results provide a foundation for understanding how valuable brain data could be for improving machine learning.
• Abstract（参考訳）: もし人がタスクを解くことができれば、自分の脳を計測することで、そのタスクを解決するためのモデルのトレーニングも簡単になりますか? 最近のNeuroAIの研究は、ニューラル録音によるタスクトレーニングを補うことで、モデルの性能と堅牢性が適度に向上することを示している。 しかしながら、ニューラルネットワークを使用することのメリットと、期待するメリットがどの程度あるべきかは明らかではない。 この問題を数学的に定式化し, 単純かつ解析的に抽出可能な線形ガウスモデルとニューラル記録を用いて理論的に解決し始める。 脳データとタスクラベルの両方でトレーニングされたマルチモーダル推定器に対して、脳とタスクサンプルの数でパフォーマンスがいかにスケールするかのスケーリング法則を導出する。 これらの法則から、脳サンプルとタスクサンプルの相対値と交換レートを導き、タスク脳アライメント、ニューラルおよびタスクノイズ、潜時次元、脳データサンプルサイズの関数として、ニューラルネットワークがどれだけ余分なタスクサンプルに価値があるかを定量化する。 また、脳の規則化学習が学習不変性を通じて実質的な堅牢性向上をもたらす条件を特定するために、テスト分布のシフトを分析する。 最後に、固定された収集予算の下で、我々は脳データが収集に値する体制を特徴づける。 私たちの結果は、機械学習を改善する上で、脳データがどれほど価値があるかを理解するための基盤を提供する。

関連論文リスト

• Verified Neural Compressed Sensing [58.98637799432153]
  精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。 極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。 ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
  論文  参考訳（メタデータ） (2024-05-07T12:20:12Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks [74.3099028063756]
  我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。 我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。 我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
  論文  参考訳（メタデータ） (2024-02-19T09:29:37Z)
• Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
  最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。 視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。 我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
  論文  参考訳（メタデータ） (2023-10-31T20:17:32Z)
• Redundancy and Concept Analysis for Code-trained Language Models [5.726842555987591]
  コード学習言語モデルは、様々なコードインテリジェンスタスクに非常に効果的であることが証明されている。 計算ボトルネックとメモリ制約のため、多くのソフトウェアエンジニアリングアプリケーションのトレーニングとデプロイが難しい場合がある。 我々は,ソースコードモデルに対する最初のニューロンレベルの解析を行い,潜在表現内でのテクスチエントニューロンの同定を行う。
  論文  参考訳（メタデータ） (2023-05-01T15:22:41Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• 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)

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。