論文の概要: Revealing the core dimensions underlying representations in brains, behavior and AI

• arxiv url: http://arxiv.org/abs/2605.26921v1
• Date: Tue, 26 May 2026 12:19:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.065261
• Title: Revealing the core dimensions underlying representations in brains, behavior and AI
• Title（参考訳）: 脳、行動、AIにおけるコアディメンジョンの展開
• Authors: Florian P. Mahner, Ka Chun Lam, Francisco Pereira, Martin N. Hebart,
• Abstract要約: similarity-Based Representation Factorization (SRF) は、類似行列から低次元、非負、解釈可能な埋め込みを復元する一般的な計算手法である。 シミュレーションと多くの神経、行動、および計算データセットを通して、SRFは多様な表現データから解釈可能な次元を復元する。 これらの結果から、SRFは、表現の基礎となる次元を明らかにし、理解し、活用するための幅広い用途を持つ汎用的な方法として確立されている。
• 参考スコア（独自算出の注目度）: 1.210788495636445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The study of representations is widespread across fields, including neuroscience, psychology, and artificial intelligence. While representations are often studied and compared through similarities between stimuli, current methods provide only limited access to the dimensions that shape these representations and are often limited in interpretability. To overcome these challenges, here we introduce Similarity-Based Representation Factorization (SRF), a general computational method for recovering low-dimensional, non-negative, interpretable embeddings from similarity matrices derived from measured data. Across simulations and many neural, behavioral, and computational datasets, SRF recovers interpretable dimensions from diverse forms of representational data, even for very sparsely sampled, incomplete data. The dimensions derived from these datasets match those obtained by task-specific models, predict independent behavioral properties, improve exploratory analysis, and offer higher power for confirmatory hypothesis testing than comparing similarity matrices. Together, these results establish SRF as a general-purpose method with broad applications for uncovering, understanding, and leveraging the dimensions underlying representations.
• Abstract（参考訳）: 表現の研究は神経科学、心理学、人工知能など幅広い分野に広がっている。 表現はしばしば研究され、刺激間の類似性を通じて比較されるが、現在の手法はこれらの表現を形成する次元への限られたアクセスしか提供せず、解釈可能性において制限されることが多い。 これらの課題を克服するために、測定データから導出される類似行列から低次元の非負の解釈可能な埋め込みを復元する一般的な計算法であるSRF(Simisity-Based Representation Factorization)を導入する。 シミュレーションと多くの神経的、行動的、および計算的データセットを通して、SRFは、非常にわずかにサンプリングされた不完全なデータであっても、多種多様な表現データから解釈可能な次元を復元する。 これらのデータセットから得られた次元は、タスク固有のモデルによって得られたものと一致し、独立した行動特性を予測し、探索的分析を改善し、類似性行列を比較するよりも検証仮説テストに高い力を与える。 これらの結果とともに、SRFは、表現の基礎となる次元を明らかにし、理解し、活用するための幅広い用途を持つ汎用的な方法として確立される。

関連論文リスト

• Neural network embeddings recover value dimensions from psychometric survey items on par with human data [7.5591367381052175]
  SQuID(Survey and Questionnaire Item Embeddings Differentials)は,ニューラルネットワークの埋め込みによって心理測定項目から潜伏次元を復元する手法である。 本研究では,SQuIDで処理された大規模言語モデルから得られた埋め込みが,人間のレーダ判断から得られた人間の値の構造を復元できることを実証する。
  論文  参考訳（メタデータ） (2025-09-29T15:14:54Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Labeling Neural Representations with Inverse Recognition [25.867702786273586]
  Inverse Recognition (INVERT)は、学習した表現と人間の理解可能な概念を結びつけるためのスケーラブルなアプローチである。 以前の研究とは対照的に、INVERTは多様な種類のニューロンを処理でき、計算の複雑さが小さく、セグメンテーションマスクの可用性に依存しない。 本稿では,様々なシナリオにおけるINVERTの適用性を示す。
  論文  参考訳（メタデータ） (2023-11-22T18:55:25Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
  多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。 本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。 我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
  論文  参考訳（メタデータ） (2021-07-30T16:02:15Z)
• A comprehensive comparative evaluation and analysis of Distributional Semantic Models [61.41800660636555]
  我々は、静的DSMによって生成されたり、BERTによって生成された文脈化されたベクトルを平均化して得られるような、型分布ベクトルの包括的評価を行う。 その結果、予測ベースモデルの優越性は現実よりも明らかであり、ユビキタスではないことが明らかとなった。 我々は認知神経科学からRepresentational similarity Analysis(RSA)の方法論を借りて、分布モデルによって生成された意味空間を検査する。
  論文  参考訳（メタデータ） (2021-05-20T15:18:06Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。