論文の概要: Beyond Prediction Accuracy: Target-Space Recovery Profiles for Evaluating Model-Brain Alignment

• arxiv url: http://arxiv.org/abs/2605.20127v1
• Date: Tue, 19 May 2026 17:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.548979
• Title: Beyond Prediction Accuracy: Target-Space Recovery Profiles for Evaluating Model-Brain Alignment
• Title（参考訳）: 予測精度を超えて:モデル脳アライメント評価のためのターゲット空間復元プロファイル
• Authors: Ken Nakamura, Tomoya Nakai, Ryuto Yashiro, Ayumu Yamashita, Kaoru Amano,
• Abstract要約: モデル脳アライメントと脳脳アライメントの両方を評価する統合フレームワークを導入する。 まず、個別の試行分割で再現的に予測できるターゲット脳応答次元を同定する。 このフレームワークをNatural Scenesデータセットのサブセットに適用すると、初期から中間の視覚皮質応答は再現可能な低次元の次元を含むことが分かる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial vision models are often evaluated against the human visual cortex by measuring how accurately their internal representations predict brain responses. However, prediction accuracy alone does not indicate which dimensions of the target brain's response space are recovered. Here, we introduce a unified framework for evaluating both model-brain and brain-brain alignment by identifying the response dimensions recovered by prediction. Using repeated fMRI measurements, we first identify target-brain response dimensions that can be reproducibly predicted across independent trial splits. We then predict target-brain responses from either another subject's brain responses or a vision model's internal representations, and quantify how strongly each of these reproducible response dimensions is recovered. Applying this framework to a subset of the Natural Scenes Dataset, in which eight subjects viewed the same natural images during fMRI, we find that the early-to-intermediate visual-cortex responses contain a low-dimensional set of reproducible dimensions. Brain-to-brain comparisons identify which of these dimensions are consistently recoverable from other subjects' brains, providing a diagnostic human reference rather than only a scalar benchmark. In some cases, pretrained and randomly initialized models achieve similar prediction accuracy while showing distinct recovery profiles across these response dimensions. These results show that prediction accuracy alone can mask model-brain mismatches. By making explicit which reproducible brain response dimensions are recovered by prediction, our framework provides a more diagnostic evaluation of alignment between artificial vision models and the human visual cortex.
• Abstract（参考訳）: 人工視覚モデルは、脳の反応を正確に予測することで、人間の視覚野に対して評価されることが多い。 しかし、予測精度だけでは、対象の脳の反応空間のどの次元が回復しているかは示さない。 本稿では,モデル脳アライメントと脳脳アライメントの両方を評価するための統合フレームワークを提案する。 繰り返しfMRI測定を用いて、まず、個別の試行分割で再現的に予測できるターゲット脳応答次元を同定する。 次に、他の被験者の脳反応または視覚モデルの内部表現から標的脳反応を予測し、これらの再現可能な応答次元がどれだけ強く回復するかを定量化する。 この枠組みを8人の被験者がfMRIで同じ自然像を観察するNatural Scenes Datasetのサブセットに適用すると、初期から中間の視覚皮質応答は再現可能な低次元の次元を含むことが分かる。 脳-脳間比較は、これらの次元のどれが他の被験者の脳から一貫して回復可能であるかを特定し、スカラーベンチマークだけでなく人間の診断基準を提供する。 事前訓練およびランダムに初期化されたモデルは、これらの応答次元の異なる回復プロファイルを示しながら、同様の予測精度を達成する。 これらの結果から,予測精度だけでモデル脳ミスマッチをマスクできることが示唆された。 再現可能な脳反応の次元を予測することによって、我々の枠組みは人工視覚モデルと人間の視覚皮質とのアライメントをより診断的に評価する。

関連論文リスト

• Human-level 3D shape perception emerges from multi-view learning [63.048728487674815]
  任意のオブジェクトに対する人間の3次元形状推論を予測するためのモデリングフレームワークを開発する。 我々は、自然主義的な知覚データよりも視覚空間的目的を用いて訓練された新しいニューラルネットワークのクラスでこれを達成した。 人間のレベル3D知覚は、自然主義的な視覚空間データよりもシンプルでスケーラブルな学習目標から生まれる可能性がある。
  論文  参考訳（メタデータ） (2026-02-19T18:56:05Z)
• Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction [4.906818291607462]
  ベースライン磁気共鳴画像(MRI)から将来の脳状態を予測することは、ニューロイメージングにおける中心的な課題である。 既存のほとんどのアプローチは、軽度認知障害から認知症への転換など、将来の認知スコアや臨床結果を予測する。 そこで本研究では,数年後に被験者の脳MRI全体を予測する経時的MRI画像から画像への予測について検討する。
  論文  参考訳（メタデータ） (2025-11-04T13:19:58Z)
• Generative causal testing to bridge data-driven models and scientific theories in language neuroscience [82.995061475971]
  脳における言語選択性の簡潔な説明を生成するためのフレームワークである生成因果テスト(GCT)を提案する。 GCTは機能的選択性に類似した脳領域の細粒度の違いを識別できることを示す。
  論文  参考訳（メタデータ） (2024-10-01T15:57:48Z)
• 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)
• Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
  人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。 異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
  論文  参考訳（メタデータ） (2024-03-29T07:16:34Z)
• Applicability of scaling laws to vision encoding models [0.7734726150561089]
  我々は,Algonauts Project 2023 Challengeへの参加の一環として,脳活動を予測する高性能視覚符号化モデルの構築方法について検討した。 この課題は、参加者が画像を見ている間、機能的MRI(fMRI)によって記録された脳活動を提供する。 86Mから4.3Bまでのパラメータサイズを持ついくつかのビジョンモデルを使用して予測モデルを構築した。
  論文  参考訳（メタデータ） (2023-08-01T17:31:14Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
  T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。 結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
  論文  参考訳（メタデータ） (2020-10-04T19:46:04Z)

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。