論文の概要: What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval

• arxiv url: http://arxiv.org/abs/2605.24524v1
• Date: Sat, 23 May 2026 11:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.162876
• Title: What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval
• Title（参考訳）: 本当のデコードとは何か?脳から言語への非侵襲的検索へのソース属性
• Authors: Xinyu Zhang, Sichao Liu, Runhao Lu, Alexandra Woolgar, Lihui Wang,
• Abstract要約: 我々は,刺激同期MEG-to-audio検索を監査フレームワークとして再放送した。 構造的ショートカット、ウィンドウレベルの刺激ロックされたエビデンス、ウィンドウ間のコンテキストアグリゲーションを使用します。 これらの結果は、脳から言語へのパフォーマンスは、単に報告されるのではなく、ソース属性であるべきだことを示唆している。
• 参考スコア（独自算出の注目度）: 42.66754319854329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In non-invasive neural language decoding, results can be inflated by sources that are not stimulus-evoked neural evidence: decoder priors, embedding-based metrics, and non-neural structural nuisances such as signal duration. The methodological challenge is therefore attribution: a reported gain is more informative when it can be traced to a specific source. We recast stimulus-locked MEG-to-audio retrieval as an auditing framework that separates apparent performance into three sources - structural shortcuts, window-level stimulus-locked evidence, and cross-window contextual aggregation - and provides a diagnostic for each. Signal-blind Gaussian noise reaches 66.3% Rank@1 (R@1) under variable-length decoding but collapses to near chance once fixed-duration windows and stimulus-identity splits are enforced, isolating structural leakage. Under these controls, fixed-window retrieval recovers measurable MEG-audio discriminability, while an oracle sentence-bucket diagnostic shows that 95.7% of Top-1 errors select the wrong sentence, localising the residual bottleneck to sentence-level competition. We audit this contextual source with Group Context Bias (GCB), an inference-time additive logit bias that pools sentence-consistent evidence across windows while leaving the base retrieval scores and candidate pool fixed. Used as a score-space intervention, GCB makes the contextual source measurable: R@1 shifts from 44% to 52% on Gwilliams and from 22% to 29% on MOUS under the same fixed setting. GCB is auditable under this design: its effect collapses under random-grouping perturbations and vanishes when local evidence is attenuated in MEG or is near chance in EEG, supporting its use as a controlled source-attribution intervention. These results suggest that brain-to-language performance should be source-attributed, not merely reported.
• Abstract（参考訳）: 非侵襲的ニューラルネットワーク復号法では、デコーダの先行値、埋め込みベースのメトリクス、信号の持続時間のような非神経構造ニュアンスなど、刺激によって誘発される神経エビデンスではないソースによって結果を膨らませることができる。 報告された利得は、特定のソースにトレースできるときにより情報的になる。 我々は,刺激ロックによるMEG-to-audio検索を,構造的ショートカット,ウィンドウレベルの刺激ロックされたエビデンス,ウィンドウ間のコンテキストアグリゲーションの3つのソースに分離した監査フレームワークとして再放送し,それぞれに診断を提供する。 信号ブラインドガウスノイズは可変長復号法で66.3% Rank@1 (R@1)に達するが、固定デューレーションウィンドウと刺激アイデンティティ分割が強制されると、ほぼ偶然に崩壊し、構造的漏洩を分離する。 これらの制御の下で、固定ウィンドウ検索は測定可能なMEGオーディオ識別性を回復し、一方、オラクルの文バッファー診断では、トップ1エラーの95.7%が間違った文を選択し、残差ボトルネックを文レベルの競合にローカライズしている。 我々は,提案手法をGCB (Group Context Bias) を用いて評価する。これは,ベース検索スコアと候補プールを固定したまま,文一貫性のある証拠をウィンドウ全体にプールする推論時追加ロジットバイアスである。 R@1 は Gwilliam 上で 44% から 52% に、同じ固定条件下で MOUS 上で 22% から 29% にシフトする。 GCBはこの設計の下で監査可能であり、その効果はランダムな群れの摂動の下で崩壊し、MEGで局所的な証拠が減らされたり、EEGで近い将来に消失し、制御されたソース・属性の介入としての使用をサポートする。 これらの結果は、脳から言語へのパフォーマンスは、単に報告されるのではなく、ソース属性であるべきだことを示唆している。

関連論文リスト

• Membership Inference Attacks against Large Audio Language Models [50.84901010528239]
  大規模音声言語モデル(LALM)のMIA評価について述べる。 テキスト,スペクトル,韻律的特徴に基づくマルチモーダルブラインドベースラインを用いて,一般的な音声データセットがほぼ完璧な列車/テスト分離性を示すことを示す。 以上の結果から, LALM検査の基準基準が確立された。
  論文  参考訳（メタデータ） (2026-03-30T12:45:28Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Adaptive Evidence Weighting for Audio-Spatiotemporal Fusion [0.0]
  生物音響分類では、音波信号と、位置と季節としての文脈の両方から種識別が推測される。 本稿では,事前学習したテキスト音声分類器と時間的予測器を統合した適応型対数線形エビデンス融合フレームワークFINCHを紹介する。 FINCHは固定重融合とオーディオのみのベースラインを一貫して上回り、堅牢性とエラーのトレードオフを改善している。
  論文  参考訳（メタデータ） (2026-02-03T18:21:13Z)
• Rethinking the Reranker: Boundary-Aware Evidence Selection for Robust Retrieval-Augmented Generation [64.09110141948693]
  Retrieval-Augmented Generation (RAG) システムは、現実的な検索ノイズの下でも不安定である。 そこで我々は,BAR-RAGを提案する。このBAR-RAGは,発電機のGoldilocks Zoneをターゲットとした境界認識型エビデンスセレクタである。 Bar-RAGはノイズ検索において、エンドツーエンドのパフォーマンスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:23Z)
• Ranking Free RAG: Replacing Re-ranking with Selection in RAG for Sensitive Domains [13.58151841630302]
  本稿では,RAGにおける再ランク付けを合理的な選択手法で置き換える新しい方法であるMETEORAを提案する。 METEORAは、最先端の再評価手法よりも約50%少ないチャンクを使用しながら、生成精度を33.34%向上させる。 敵対的な設定では、METEORAはF1スコアを0.10から0.44に大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-21T20:57:16Z)
• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• End-to-end contextual asr based on posterior distribution adaptation for hybrid ctc/attention system [61.148549738631814]
  エンドツーエンド(E2E)音声認識アーキテクチャは、従来の音声認識システムのすべてのコンポーネントを単一のモデルに組み立てる。 これはASRシステムを単純化するが、文脈的ASRの欠点を導入している: E2Eモデルは、頻繁な固有名詞を含む発話に対して、より悪い性能を持つ。 本稿では,文脈的単語認識能力を向上させるために,文脈バイアスアテンション(CBA)モジュールをアテンションベースエンコーダデコーダ(AED)モデルに追加することを提案する。
  論文  参考訳（メタデータ） (2022-02-18T03:26:02Z)

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。