論文の概要: From Activation to Causality: Discovery of Causal Visual Representations in the Human Brain

• arxiv url: http://arxiv.org/abs/2605.23895v1
• Date: Fri, 22 May 2026 17:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.461603
• Title: From Activation to Causality: Discovery of Causal Visual Representations in the Human Brain
• Title（参考訳）: 活性化から因果性:人間の脳における因果的視覚表現の発見
• Abstract要約: 本稿では、制御された刺激を合成し、神経表現を検証する自動フレームワークBrainCauseを紹介する。 BrainCauseは、関連する代替案よりもターゲット概念に特異的に対応する表現を検索する。 既知の機能的ローカライゼーションを復元し、予測されたfMRIデータと測定されたfMRIデータの両方に基づいて、数十のコンセプトにまたがる新しい候補表現を識別する。
• 参考スコア（独自算出の注目度）: 32.51402978872901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying which brain regions represent a visual concept in the human brain is a central challenge in neuroscience. Existing approaches have localized coarse functional regions (e.g., faces, places) through activation maximization, identifying regions that activate strongly for a target concept relative to other concepts. Yet strong activation alone does not establish that a region represents the concept itself, as responses may instead be driven by correlated visual or semantic cues. We introduce BrainCause, an automated framework that combines generative and brain models to synthesize controlled stimuli and validate neural representations through targeted causal testing. Given a query specifying a concept of interest, our framework constructs targeted stimulus sets comprising concept images, counterfactual edits that remove the target concept while preserving other image content, and images with candidate correlated distractors. It then uses an image-to-fMRI encoding model to predict brain responses and searches for representations that respond specifically to the target concept over correlated alternatives. BrainCause returns validated candidate representations and proposes follow-up fMRI experiments to further test or extend its discoveries. Our approach successfully recovers known functional localizations and identifies new candidate representations across dozens of concepts, validated on both predicted and measured fMRI data. Critically, we show that without causal validation, a large fraction of localizations would be false positives, confirming that activation alone is insufficient evidence of representation.
• Abstract（参考訳）: 人間の脳における視覚的概念を表す脳領域の特定は神経科学における中心的な課題である。 既存のアプローチは、活性化の最大化を通じて局所的に粗い機能領域(例えば、顔、場所)を持ち、他の概念と比較してターゲット概念に対して強く活性化する領域を特定する。 しかし、強い活性化だけでは、応答は相関した視覚的または意味的な手がかりによって駆動されるため、ある領域が概念自体を表すことを確証しない。 我々は、生成モデルと脳モデルを組み合わせた自動フレームワークであるBrainCauseを紹介し、制御された刺激を合成し、標的の因果テストを通じて神経表現を検証する。 興味のある概念を規定する問合せが与えられた場合、このフレームワークは、概念イメージと、他のイメージコンテンツを保存しながら目標概念を除去する対実的編集と、候補に関連のある乱れのある画像からなる目標刺激セットを構築する。 次に、画像からfMRIのエンコーディングモデルを使用して、脳の反応を予測し、関連する選択肢よりもターゲット概念に特異的に反応する表現を検索する。 BrainCauseは検証済みの候補表現を返却し、その発見をさらにテストまたは拡張するためのフォローアップfMRI実験を提案する。 提案手法は既知の機能的局所化を回復し、予測と測定の両方のfMRIデータに基づいて、数十の概念にまたがる新しい候補表現を同定する。 批判的に、因果検証がなければ、ほとんどの局所化は偽陽性であり、活性化のみが表現の不十分な証拠であることを示す。

関連論文リスト

• BrainJanus: A Unified Model for Understanding and Generation across Brain, Vision, and Language [65.1211456110319]
  BrainJanusは、脳、視覚、言語を単一のフレームワークに統合する最初の統合脳モデルである。 本フレームワークは, 汎用脳モデリングパラダイムとしての可能性を強調し, ゼロショットの一般化と生物学的トポグラフィーの解釈を行う。
  論文  参考訳（メタデータ） (2026-06-29T14:02:15Z)
• What is Missing? Explaining Neurons Activated by Absent Concepts [57.02903530185128]
  XAIは、ディープニューラルネットワーク(DNN)の動作に関する人間解釈可能な洞察を提供することを目指している 既存の研究において、この因果構造はしばしば、概念の存在がニューロンの強い活性化と関連している関係を含む。 ほとんど見過ごされがちな因果関係は、概念の欠如が神経活動を増加させるエンコードされた欠如であることを示す。
  論文  参考訳（メタデータ） (2026-03-10T15:21:52Z)
• Towards Interpretable Visual Decoding with Attention to Brain Representations [3.254716591226115]
  近年の研究では、複雑な視覚刺激が深部生成モデルを用いて人間の脳活動からデコードできることが示されている。 視覚的デコードフレームワークであるNeuroAdapterを提案する。 本研究は、視覚神経科学のレンズを通して、脳と画像の終末復号化の可能性を強調し、拡散モデルを解釈する方法を確立するものである。
  論文  参考訳（メタデータ） (2025-09-28T01:55:55Z)
• MindSimulator: Exploring Brain Concept Localization via Synthetic FMRI [11.463093725231971]
  ヒト大脳皮質における概念選択領域は、特定の概念に関連する特定の視覚刺激に応答して顕著な活性化を示す。 従来の実験駆動型アプローチは手作業による視覚刺激収集とそれに対応する脳活動記録に基づいている。 広範囲な脳活動記録を合成することにより、様々な概念選択領域を統計的に局在させる。
  論文  参考訳（メタデータ） (2025-03-04T07:20:42Z)
• 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)
• Identifying Shared Decodable Concepts in the Human Brain Using Image-Language Foundation Models [2.213723689024101]
  高品質な事前学習型マルチモーダル表現を利用して、人間の脳内のきめ細かいセマンティックネットワークを探索する手法を提案する。 このような脳の領域を特定するために,我々は,大規模な機能的磁気共鳴画像(fMRI)データセットからデオード可能な視覚概念を明らかにするために,データ駆動型アプローチを開発した。
  論文  参考訳（メタデータ） (2023-06-06T03:29:47Z)
• Brain Diffusion for Visual Exploration: Cortical Discovery using Large Scale Generative Models [6.866437017874623]
  我々は,自然画像とfMRI記録を用いて,与えられた脳領域を活性化するために予測される画像を合成する,データ駆動型アプローチを提案する。 提案手法は,脳誘導画像合成と大規模拡散モデルを組み合わせた最近の生成法に基づいている。 これらの結果は、人間の視覚野の微細な機能的構造に対する理解を深めるものである。
  論文  参考訳（メタデータ） (2023-06-05T17:59:05Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)
• 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)
• BI AVAN: Brain inspired Adversarial Visual Attention Network [67.05560966998559]
  機能的脳活動から直接人間の視覚的注意を特徴付ける脳誘発対人視覚注意ネットワーク(BI-AVAN)を提案する。 本モデルは,人間の脳が監督されていない方法で焦点を絞った映画フレーム内の視覚的物体を識別・発見するために,注意関連・無視対象間の偏りのある競合過程を模倣する。
  論文  参考訳（メタデータ） (2022-10-27T22:20:36Z)
• Adapting Brain-Like Neural Networks for Modeling Cortical Visual Prostheses [68.96380145211093]
  皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。 現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。 我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2022-09-27T17:33:19Z)
• 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。