論文の概要: HyNeuralMap: Hyperbolic Mapping of Visual Semantics to Neural Hierarchies

• arxiv url: http://arxiv.org/abs/2605.09392v1
• Date: Sun, 10 May 2026 07:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.227199
• Title: HyNeuralMap: Hyperbolic Mapping of Visual Semantics to Neural Hierarchies
• Title（参考訳）: HyNeuralMap: ビジュアルセマンティックスからニューラル階層への双曲マッピング
• Authors: Zihan Ma, Tian Xia, Kexin Wang, Xiao Li, Xiaowei He, Yudan Ren,
• Abstract要約: HyNeuralMapは、ビジュアルセマンティクスを共有オブジェクト間のニューラルネットワーク階層にマッピングするフレームワークである。 HyNeuralMapは、最先端のユークリッドベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 17.083949966897414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the intricate mappings between visual stimuli and neural responses is a fundamental challenge in cognitive neuroscience. While current approaches predominantly align images and functional magnetic resonance imaging (fMRI) responses in Euclidean space, this geometry often struggles to preserve fine-grained semantic relationships and latent hierarchical structures across visual and neural modalities. To overcome this, we propose HyNeuralMap, a framework that employ hyperbolic Lorentz model to map visual semantics into a shared, cross-subject neural hierarchy. By leveraging the negative curvature of hyperbolic space as an inductive bias, the proposed framework better captures hierarchical semantic organization and cross-subject neural similarities. Specifically, visual and neural embeddings are jointly optimized through hyperbolic geometric alignment, where geodesic distances preserve semantic proximity and hierarchical relationships more effectively than Euclidean embeddings. Experiments demonstrate that HyNeuralMap consistently outperforms state-of-the-art Euclidean baselines in both multi-label semantic prediction and cross-modal retrieval tasks. This confirms hyperbolic geometry's superiority for cross-modal semantic alignment and hierarchical modeling, providing a new avenue for vision-neural representation learning.
• Abstract（参考訳）: 視覚刺激と神経反応の複雑なマッピングを理解することは、認知神経科学の基本的な課題である。 現在のアプローチは、主にユークリッド空間における画像と機能的磁気共鳴イメージング(fMRI)の反応を整列させるが、この幾何学は視覚と神経の様相をまたいだ微細な意味的関係と潜在階層構造を維持するのにしばしば苦労する。 これを解決するために,ハイパーボリックなローレンツモデルを用いて,視覚的セマンティクスを共有オブジェクト間ニューラルネットワーク階層にマッピングするフレームワークHyNeuralMapを提案する。 双曲空間の負の曲率を帰納バイアスとして利用することにより、提案フレームワークは階層的意味構造とクロスオブジェクト型ニューラル類似性をよりよく捉えることができる。 具体的には、視覚と神経の埋め込みは双曲幾何学的アライメントによって共同最適化され、測地距離はユークリッドの埋め込みよりも意味的近接性や階層的関係を効果的に保っている。 HyNeuralMapは、マルチラベルセマンティック予測とクロスモーダル検索の両方において、最先端のユークリッドベースラインを一貫して上回ることを示した。 このことは、双曲幾何学がクロスモーダルなセマンティックアライメントと階層的モデリングに優れていることを確認し、視覚-神経表現学習のための新しい道を提供する。

関連論文リスト

• SynMind: Reducing Semantic Hallucination in fMRI-Based Image Reconstruction [52.34513874272676]
  既存の手法は、明示的な意味的アイデンティティよりも、絡み合った視覚的埋め込みに強く依存している、と我々は主張する。 我々はfMRI信号を、人間の視覚理解の階層的・構成的性質を反映したリッチで文レベルの意味記述に解析する。 そこで我々は,これらの明示的なセマンティックエンコーディングを視覚的プリエンプションと統合したフレームワークであるSynMindを提案する。
  論文  参考訳（メタデータ） (2026-01-25T14:31:23Z)
• 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)
• Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
  双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。 精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。 この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
  論文  参考訳（メタデータ） (2025-09-18T13:55:02Z)
• Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
  本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。 まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。 本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
  論文  参考訳（メタデータ） (2024-11-18T05:16:11Z)
• Neural Latent Aligner: Cross-trial Alignment for Learning Representations of Complex, Naturalistic Neural Data [0.0]
  そこで本稿では, 複雑な振る舞いをよく拘束し, 行動に関連のある神経表現を見つけるために, 教師なし学習フレームワークNeural Latent Aligner(NLA)を提案する。 提案するフレームワークは, ベースラインよりも地上横断的な一貫した表現を学習し, 可視化すると, 試行錯誤による共有神経軌道が明らかにされる。
  論文  参考訳（メタデータ） (2023-08-12T02:35:24Z)
• Semantic Brain Decoding: from fMRI to conceptually similar image reconstruction of visual stimuli [0.29005223064604074]
  本稿では,意味的・文脈的類似性にも依存する脳復号法を提案する。 我々は、自然視のfMRIデータセットを使用し、人間の視覚におけるボトムアップとトップダウンの両方のプロセスの存在にインスパイアされたディープラーニングデコードパイプラインを作成します。 視覚刺激の再現は, それまでの文献において, 本来の内容とセマンティックレベルで非常によく一致し, 芸術の状態を超越している。
  論文  参考訳（メタデータ） (2022-12-13T16:54:08Z)
• Lexical semantics enhanced neural word embeddings [4.040491121427623]
  階層的適合は、IS-A階層に本質的に格納されている意味的類似性ニュアンスをモデル化するための新しいアプローチである。 その結果、後期核融合における意味的関係を持つ神経埋め込みを専門とする階層化の有効性が示された。
  論文  参考訳（メタデータ） (2022-10-03T08:10:23Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Neural Topological SLAM for Visual Navigation [112.73876869904]
  意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。 本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-05-25T17:56:29Z)

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。