論文の概要: FPED: A Functional-Network Prior-Guided Mixture-of-Experts Framework for Interpretable Brain Decoding

• arxiv url: http://arxiv.org/abs/2605.19279v1
• Date: Tue, 19 May 2026 02:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.085659
• Title: FPED: A Functional-Network Prior-Guided Mixture-of-Experts Framework for Interpretable Brain Decoding
• Title（参考訳）: FPED: 解釈可能なブレインデコーディングのための関数型ネットワークプリガイド・ミックス・オブ・エクササイズフレームワーク
• Authors: Yudan Ren, Pengcheng Shi, Zihan Ma, Xiaowei He, Xiao Li,
• Abstract要約: 本稿では,FPED(Functional-Network Prior-Guided Mixture of Experts)フレームワークを提案する。 FPEDは、異なる機能的脳ネットワークを専門の専門家としてモデル化し、視覚意味理解への補完的な貢献を捉えるために適応的ルーティングを使用している。 実験の結果,FPEDは0.68Bのパラメータしか持たない高い競争力を持つセマンティック再構築性能を示した。
• 参考スコア（独自算出の注目度）: 11.964663489641751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual image reconstruction from functional Magnetic Resonance Imaging (fMRI) is a fundamental task in brain decoding, providing a crucial pathway for understanding human perceptual mechanisms and developing advanced brain-computer interfaces (BCIs). However, most current methods simply flatten fMRI signals from localized visual cortices into one-dimensional (1D) vectors, mapping them directly into latent spaces such as that of Contrastive Language-Image Pre-training (CLIP). This paradigm not only disrupts the inherent network topology of the brain-leading to limited neuroscientific interpretability-but also overlooks the synergistic contributions of other distributed functional networks in processing high-level visual semantics. To address these limitations, we propose FPED, a Functional-Network Prior-Guided Mixture of Experts (MoE) framework for interpretable brain decoding. FPED explicitly models different functional brain networks as specialized experts and employs adaptive routing to capture their complementary contributions to visual semantic understanding. Unlike conventional homogeneous decoding paradigms, our framework incorporates neurobiologically grounded priors to enable structured and interpretable network-level representation learning. Experimental results demonstrate that FPED achieves highly competitive semantic reconstruction performance with only 0.68B parameters. The learned routing dynamics reveal biologically meaningful correspondence between functional brain networks and modality-specific semantic processing, providing transparent neuroscientific interpretability. This suggests that brain network-aware expert modeling is a promising direction for bridging neural decoding and biologically inspired artificial intelligence.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)による画像再構成は、人間の知覚機構を理解し、先進的な脳-コンピュータインターフェース(BCI)を開発するための重要な経路を提供する脳デコーディングの基本的な課題である。 しかし、現在のほとんどの手法は、局所化された視覚皮質から1次元(1次元)ベクトルへfMRI信号をフラット化し、コントラスト言語-画像事前学習(CLIP)のような潜在空間に直接マッピングする。 このパラダイムは、脳をリードする脳のネットワークトポロジーを、限られた神経科学的解釈可能性に破壊するだけでなく、高レベルの視覚的意味論の処理における他の分散機能ネットワークの相乗的貢献も見落としている。 これらの制約に対処するため、我々はFPED(Functional-Network Prior-Guided Mixture of Experts (MoE)フレームワーク)を提案する。 FPEDは、異なる機能的脳ネットワークを専門の専門家としてモデル化し、視覚意味理解への補完的な貢献を捉えるために適応的ルーティングを使用している。 従来の均質な復号化パラダイムとは違って,ネットワークレベルの構造的・解釈可能な表現学習を実現するために,神経生物学的に基礎を成す事前学習を取り入れている。 実験の結果,FPEDは0.68Bのパラメータしか持たない高い競争力を持つセマンティック再構築性能を示した。 学習されたルーティングダイナミクスは、機能的脳ネットワークとモダリティ固有のセマンティック処理の間の生物学的に意味のある対応を示し、透明な神経科学的解釈能力を提供する。 このことは、脳ネットワークを意識したエキスパートモデリングが、ニューラルネットワークと生物学的にインスパイアされた人工知能をブリッジする上で有望な方向であることを示唆している。

関連論文リスト

• MoRE-Brain: Routed Mixture of Experts for Interpretable and Generalizable Cross-Subject fMRI Visual Decoding [33.48831679514482]
  MoRE-Brainは、高忠実で適応性があり、解釈可能な視覚再構成のために設計された、神経にインスパイアされたフレームワークである。 階層的なMixture-of-Expertsアーキテクチャを採用しており、専門家がfMRI信号を処理している。 MoRE-Brainは、より一般化され、解釈可能なfMRIベースのビジュアルデコードへと大きく進歩している。
  論文  参考訳（メタデータ） (2025-05-21T19:02:54Z)
• MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
  MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。 脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。 脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
  論文  参考訳（メタデータ） (2025-02-07T16:01:59Z)
• Interpretable Dual-Filter Fuzzy Neural Networks for Affective Brain-Computer Interfaces [25.445687764717167]
  両フィルタファジィニューラルネットワークアーキテクチャを統合し,感情状態の検出と解釈を改善する新モデルiFuzzyAffectDuoを提案する。 機能的近赤外分光法(fNIRS)と脳波(EEG)を用いた3つの脳画像データセットのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-01-29T14:31:57Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP for Generic Natural Visual Stimulus Decoding [51.911473457195555]
  BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。 脳の活動、画像、およびテキストの間のモダリティギャップを埋める。 BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
  論文  参考訳（メタデータ） (2023-02-25T03:28:54Z)
• 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)

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。