論文の概要: NeurIPS: Neuro-anatomical Inductive Priors for Sphere-based Brain Decoding

• arxiv url: http://arxiv.org/abs/2605.24993v1
• Date: Sun, 24 May 2026 10:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.637926
• Title: NeurIPS: Neuro-anatomical Inductive Priors for Sphere-based Brain Decoding
• Title（参考訳）: NeurIPS: 球型脳復号のための神経解剖学的誘導前駆体
• Authors: Sijin Yu, Zijiao Chen, Zhenyu Yang, Zihao Tan, Jiakun Xu, Zhongliang Liu, Shengxian Chen, Wenxuan Wu, Xiangmin Xu, Xin Zhang,
• Abstract要約: 現在のfMRIデコーダは、効率的なIDエンコーダが幾何学的に忠実な表面ベースモデルよりも優れている性能-忠実トレードオフに直面している。 このフレームワークは,解剖学的変化をニュアンスから強力なインダクティブ前へ反映することで,表面のデコーディングを改善する。
• 参考スコア（独自算出の注目度）: 23.20413845603451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current fMRI decoders face a performance-fidelity trade-off where efficient ID encoders outperform geometrically faithful surface-based models. We argue this is partly driven by inefficient surface tokenization and the failure to use anatomy as a predictive signal. We present NeurIPS, a framework that improves surface-based decoding by reframing anatomical variation from a nuisance to a powerful inductive prior. NeurIPS unites two innovations: a Selective ROI Spherical Tokenizer (SRST) for efficient geometric encoding, and a Structure-Guided Mixture of Experts (SG-MoE) that explicitly models individual anatomy using cortical features. On the Natural Scenes Dataset, NeurIPS establishes a new state-of-the-art for surface decoders and achieves performance comparable to strong 1D baselines. This is achieved with unprecedented efficiency, as the model converges dramatically faster (10 vs. 600 epochs). This efficiency enables rapid adaptation to new subjects using only 20% of data and ensures robust scalability as the training cohort is expanded. Ablations provide causal evidence that these gains are driven by the model's use of cortical features, not by memorizing subject IDs. By leveraging anatomical priors, NeurIPS provides a principled and scalable path toward robust, generalizable brain decoding.
• Abstract（参考訳）: 現在のfMRIデコーダは、効率的なIDエンコーダが幾何学的に忠実な表面ベースモデルを上回る性能-忠実トレードオフに直面している。 これは部分的には非効率な表面トークン化と、予測信号として解剖学を使用できないことによるものであると我々は主張する。 このフレームワークは,解剖学的変化をニュアンスから強力なインダクティブ前へ反映することで,表面のデコーディングを改善する。 NeurIPSは、効率的な幾何学的エンコーディングのための選択ROI球型トケナイザー(SRST)と、皮質の特徴を使って個々の解剖を明示的にモデル化するStructure-Guided Mixture of Experts(SG-MoE)の2つのイノベーションをまとめている。 Natural Scenes Datasetでは、NeurIPSはサーフェスデコーダのための新しい最先端技術を確立し、強力な1Dベースラインに匹敵するパフォーマンスを達成する。 これは前例のない効率で達成され、モデルは劇的に速く収束する(10対600エポック)。 この効率性により、データの20%しか使用せず、トレーニングコホートが拡張されるにつれて堅牢なスケーラビリティを確保することができる。 アブレーションは、これらの利得が主題IDを記憶することではなく、モデルが皮質の特徴を使うことによって引き起こされるという因果的証拠を提供する。 解剖学的な事前情報を活用することで、NeurIPSは、堅牢で一般化可能な脳のデコードへの原則的かつスケーラブルなパスを提供する。

関連論文リスト

• Hybrid Convolution Neural Network Integrated with Pseudo-Newton Boosting for Lumbar Spine Degeneration Detection [3.485078676424349]
  本稿では,DICOM画像を用いた腰椎変性の分類を行うための新しい拡張モデルアーキテクチャを提案する。 提案手法はPseudo-Newton Boosting層を組み込んだ従来の転写学習法と区別される。 このアーキテクチャは、0.9の精度、0.861のリコール、0.88のスコア、0.18の損失、88.1%の精度をベースラインモデルであるEfficientNetと比較して達成している。
  論文  参考訳（メタデータ） (2025-11-17T19:54:52Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Representation Meets Optimization: Training PINNs and PIKANs for Gray-Box Discovery in Systems Pharmacology [1.8434042562191815]
  物理インフォームド・コルモゴロフネットワーク (PIKANs) は、オリジナルの多層パーセプトロンベースの物理インフォームドネットワーク (PINNs) に対抗して注目されている。
  論文  参考訳（メタデータ） (2025-04-10T01:37:18Z)
• Advancing Spatio-Temporal Processing in Spiking Neural Networks through Adaptation [6.233189707488025]
  ニューロモルフィックハードウェア上のニューラルネットワークは、非喫煙者よりも消費電力の少ないオーダーを約束する。 このようなシステム上でのスパイクベースの計算のための標準的なニューロンモデルは、長い間、統合と火災(LIF)ニューロンであった。 いわゆるアダプティブLIFニューロンの根源はよく分かっていない。
  論文  参考訳（メタデータ） (2024-08-14T12:49:58Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• NAR-Former: Neural Architecture Representation Learning towards Holistic Attributes Prediction [37.357949900603295]
  本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。 実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T10:15:21Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。