論文の概要: Cross-Species RSA Reveals Conserved Early Visual Alignment but Divergent Higher-Area Rankings Across Human fMRI and Macaque Electrophysiology

• arxiv url: http://arxiv.org/abs/2605.22401v1
• Date: Thu, 21 May 2026 12:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.251873
• Title: Cross-Species RSA Reveals Conserved Early Visual Alignment but Divergent Higher-Area Rankings Across Human fMRI and Macaque Electrophysiology
• Title（参考訳）: ヒト fMRI と黄斑電気生理学の鑑別で, 早期視認性を維持したRSAの異種間比較
• Authors: Nils Leutenegger,
• Abstract要約: 我々は、トレーニングされていないCNNがヒトのV1におけるバックプロパゲーションと一致することを、マカク電気生理学に対する同じ5つの学習規則をテストすることによって、以前の知見を拡張した。 規則は、バックプロパゲーション(BP)、フィードバックアライメント(FA)、予測符号化(PC)、スパイクタイミング依存塑性(STDP)である。 すべてのモデルが、ヒトのfMRI(rho = 0.01-0.08)よりもマカク早期視覚野(rho = 0.15-0.30 at V1/V2)と高いアライメントを達成する(rho = 0.01-0.08)。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Does the relationship between learning rules and brain alignment generalize across species? We extend our prior finding that untrained CNNs match backpropagation at human V1 by testing the same five learning rules against macaque electrophysiology. The rules are backpropagation (BP), feedback alignment (FA), predictive coding (PC), spike-timing-dependent plasticity (STDP), and an untrained random-weights baseline. The macaque data come from two datasets: MajajHong2015 (V4/IT, 3,200 stimulus presentations, 88/168 neurons) and FreemanZiemba2013 (V1/V2, 135 stimuli, 102/103 neurons). Using RSA with identical model weights from our human study, we find: (1) all models achieve higher alignment with macaque early visual cortex (rho = 0.15-0.30 at V1/V2) than with human fMRI (rho = 0.01-0.08), consistent with the higher signal-to-noise ratio of electrophysiology; (2) STDP and PC produce the highest macaque V1/V2 alignment (rho ~ 0.30 and 0.28), consistent with their leading position among trained rules in human V1; (3) at IT, learning rule rankings show no detectable correlation across species (Kendall's tau = 0.00, p = 1.00), though this null result is expected given that n = 5 provides power only at tau = +/-1.0, and is further confounded by stimulus set differences; (4) a pretrained ResNet-50 (ImageNet) achieves rho = 0.25 at macaque IT, substantially above all custom CNN conditions (rho = 0.07-0.14), suggesting IT alignment is limited by model capacity and training data rather than by the learning rule. Noise ceilings, multi-seed variability (5 seeds), and a stimulus-control analysis are reported. These results demonstrate that early visual alignment is robust across species, while higher-area alignment is modulated by model capacity and stimulus domain.
• Abstract（参考訳）: 学習規則と脳のアライメントの関係は、種によって一般化されるのか? 我々は、トレーニングされていないCNNがヒトのV1におけるバックプロパゲーションと一致することを、マカク電気生理学に対する同じ5つの学習規則をテストすることによって、以前の知見を拡張した。 ルールは、バックプロパゲーション(BP)、フィードバックアライメント(FA)、予測符号化(PC)、スパイクタイピング依存塑性(STDP)、トレーニングされていないランダムウェイトベースラインである。 マカクデータは、MagajHong2015(V4/IT、3200の刺激提示、88/168のニューロン)とFreemanZiemba2013(V1/V2、135の刺激、102/103のニューロン)の2つのデータセットから得られた。 ヒトのfMRI(rho = 0.01-0.08)よりもマカク早期視覚野とのアライメント(rho = 0.15-0.30 at V1/V2)、電気生理学の高信号-ノイズ比(rho = 0.01-0.08)、STDPとPCは、ヒトのV1におけるトレーニングされたルールの先頭に位置する位置(rho ~ 0.30, 0.28)、ITにおける学習規則ランキングは、種間で検出可能な相関を示さない(Kendall's tau = 0.00, p = 1.00)。 騒音天井, マルチシード変動 (5種) および刺激制御解析について報告する。 これらの結果から,早期の視覚的アライメントは種間で堅牢であり,高面積アライメントはモデルキャパシティと刺激領域によって調節されることが示された。

関連論文リスト

• Untrained CNNs Match Backpropagation at V1: A Systematic RSA Comparison of Four Learning Rules Against Human fMRI [0.0]
  同一の畳み込みアーキテクチャに適用された,バックプロパゲーション(BP),フィードバックアライメント(FA),予測符号化(PC),スパイクタイミング依存塑性(STDP)の4つの学習ルールを比較した。 初期の視覚的アライメントは主にアーキテクチャ駆動であり、監視対象は遅延アライメントを駆動する。
  論文  参考訳（メタデータ） (2026-04-18T06:53:35Z)
• Cross-Species Transfer Learning for Electrophysiology-to-Transcriptomics Mapping in Cortical GABAergic Interneurons [0.0]
  単細胞電気生理学的記録は神経機能多様性への強力な窓を提供する。 Gouwensらによって導入された電気生理転写学の枠組みを複製し拡張する。 私たちは、マウスとヒトの皮質の両方から公開されているAllen Institute Patchseqデータセットを使用します。
  論文  参考訳（メタデータ） (2026-03-11T17:23:54Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Deep Survival Analysis from Adult and Pediatric Electrocardiograms: A Multi-center Benchmark Study [5.554864650304149]
  心電図(AI-ECG)に応用された人工知能は死亡予測の可能性を示している。 ミナスジェライスのBeth Israel Deaconess(MIMIC-IV)、Telehealth Network of Minas Gerais(Code-15)、Boston Children's Hospital(BCH)の3大コホートにおけるモデル設計選択の評価を行った。 我々は、地平線に基づく分類とディープサバイバル手法を畳み込みネットワークやトランスフォーマーを含むニューラルアーキテクチャと比較し、全原因死亡予測モデルを評価した。
  論文  参考訳（メタデータ） (2024-06-24T14:37:17Z)
• Curriculum Based Multi-Task Learning for Parkinson's Disease Detection [2.1187904593676845]
  我々は、重篤度に基づくメタデータを利用して、深層畳み込みニューラルネットワーク(CNN)を訓練するためのカリキュラムを定義する。 カリキュラム学習は、分類し易い例から始めることで分類器のパフォーマンスを向上させるための訓練戦略である。 プレトレーニングCNNとトランスファーラーニングを用いたマルチタスク設定でも,T1強調(T1-w)MRIに基づくPD分類は困難であった(ROC AUC: 0.59-0.65)が,カリキュラムトレーニングでは,ベースラインモデルと比較してパフォーマンスが3.9%向上した。
  論文  参考訳（メタデータ） (2023-02-27T09:58:09Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• eGAN: Unsupervised approach to class imbalance using transfer learning [8.100450025624443]
  クラス不均衡は、多くの機械学習分類タスクに固有の問題である。 予め訓練された画像分類モデルからエンコーダベースのGenerative Adversarial Network(eGAN)への転送学習を活用することにより、これらの不均衡に対処するための監督されていないアプローチを検討する。 CIFAR-10分類タスクにおいて0.69 F1-scoreの結果が1:2500の不均衡比で得られた。
  論文  参考訳（メタデータ） (2021-04-09T02:37:55Z)

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。