論文の概要: MindAdapter: Few-Shot Parameter-Efficient Residual Calibration of Cross-Subject Brain-to-Visual Decoding Models

• arxiv url: http://arxiv.org/abs/2605.24679v1
• Date: Sat, 23 May 2026 17:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.309099
• Title: MindAdapter: Few-Shot Parameter-Efficient Residual Calibration of Cross-Subject Brain-to-Visual Decoding Models
• Title（参考訳）: MindAdapter: クロスオブジェクト脳-視覚デコードモデルのFew-Shotパラメータ効率の良い残差校正
• Authors: Jiaxiang Liu, Jiawei Du, Xupeng Chen, Guoqi Li, Jiang Cai, Simon Fong, Mingkun Xu,
• Abstract要約: 脳とコンピュータのインターフェイスでは、オブジェクト間の脳と視覚のデコーディングが依然として重要な課題である。 我々は,事前学習された脳と視覚の復号化モデルのためのパラメータ効率の良い数ショットキャリブレーションフレームワークであるMindAdapterを提案する。
• 参考スコア（独自算出の注目度）: 30.343546626420277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-subject brain-to-visual decoding remains a core challenge in brain-computer interfaces due to severe inter-individual variability that induces systematic subject-specific functional misalignment. To address this issue, we propose MindAdapter, a parameter-efficient few-shot calibration framework for pretrained brain-to-visual decoding models. MindAdapter adopts a decoupled linear-residual cascade alignment paradigm by freezing a pretrained explicit brain functional alignment backbone (coarse) and introducing a lightweight nonlinear residual adapter (fine), thereby disentangling global cross-subject correspondence from subject-specific residual corrections for fine-grained spatial and semantic calibration. To further preserve global representational stability, we design a topology-anchored dual-stream manifold constraint, where a small set of shared stimuli serves as topological pins with voxel-level paired supervision, while a semantic stream enforces consistency through a frozen vision-language decoder on unpaired brain data. Together, MindAdapter efficiently injects subject-specific corrections while maintaining the global representational geometry learned during pretraining. Experiments on the Natural Scenes Dataset (NSD) demonstrate that MindAdapter substantially improves cross-subject visual reconstruction and retrieval accuracy using only a few shared stimuli, offering a practical and data-efficient solution for personalized brain-to-visual decoding.
• Abstract（参考訳）: クロスオブジェクト脳-視覚間デコーディングは、体系的な主観的機能的不整合を誘発する個体間差が激しいため、脳-コンピュータインターフェースにおけるコア・チャレンジであり続けている。 この問題に対処するために,事前に訓練された脳と視覚の復号化モデルのためのパラメータ効率の良い数ショットキャリブレーションフレームワークであるMindAdapterを提案する。 MindAdapterは、事前訓練された明示的な脳機能的アライメントバックボーン(粗い)を凍結し、軽量な非線形残留アダプター(ファイン)を導入することで、分離された線形残留カスケードアライメントパラダイムを採用する。 さらにグローバルな表現安定性を保ちつつ,共有刺激の小さなセットがボクセルレベルのペアによるトポロジ的ピンとして機能し,セマンティックストリームは凍結した視覚言語デコーダによる無障害脳データに対する一貫性を強制する,トポロジアンコレートな2重ストリーム多様体制約を設計する。 同時に、MindAdapterは、事前訓練中に学んだグローバルな表現幾何学を維持しながら、被験者固有の補正を効率的に注入する。 NSD(Natural Scenes Dataset)の実験では、MindAdapterは少数の共有刺激だけでオブジェクト間の視覚再構成と検索精度を大幅に改善し、パーソナライズされた脳と視覚の復号のための実用的でデータ効率のよいソリューションを提供する。

関連論文リスト

• Meta-learning In-Context Enables Training-Free Cross Subject Brain Decoding [19.258438045449846]
  本稿では,fMRIによる意味的視覚的デコードのためのメタ最適化手法を提案する。 我々のアプローチは、新しい主題の符号化モデルのコンテキスト内学習に明示的に最適化されている。 様々な視覚的バックボーンにまたがる強力なクロスオブジェクトとクロススキャナの一般化を,リトレーニングや微調整を伴わずに示す。
  論文  参考訳（メタデータ） (2026-04-09T17:59:32Z)
• Statistical Learning for Latent Embedding Alignment with Application to Brain Encoding and Decoding [2.9949629644252376]
  脳のエンコーディングとデコーディングは、外部刺激と脳活動の関係を理解することを目的としている。 本稿では,2つの統計的学習要素を備えた軽量アライメントフレームワークを提案する。 我々は,大規模なfMRI画像再構成ベンチマークデータに対して,競争力のある実験性能を示す。
  論文  参考訳（メタデータ） (2026-03-22T03:48:16Z)
• Duala: Dual-Level Alignment of Subjects and Stimuli for Cross-Subject fMRI Decoding [37.36610841961446]
  クロスオブジェクト視覚デコーディングは、個人間での脳活動からの視覚体験を再構築することを目的としている。 既存の手法は、データ制限のある新しい被験者に適応する際に、しばしば劣化したパフォーマンスに悩まされる。 刺激レベルの整合性と主観レベルの整合性を実現するために設計された二重レベル整合性フレームワークであるDualaを提案する。
  論文  参考訳（メタデータ） (2026-03-08T13:22:20Z)
• 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)
• 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)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。