論文の概要: Misalignment Between Backpropagation and the Hierarchy of Brain Responses to Images

• arxiv url: http://arxiv.org/abs/2605.28693v1
• Date: Wed, 27 May 2026 16:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.207464
• Title: Misalignment Between Backpropagation and the Hierarchy of Brain Responses to Images
• Title（参考訳）: 画像に対する脳反応のバックプロパゲーションと階層性の相違
• Authors: Joséphine Raugel, Maximilian Seitzer, Marc Szafraniec, Huy V. Vo, Jérémy Rapin, Patrick Labatut, Piotr Bojanowski, Valentin Wyart, Jean-Rémi King,
• Abstract要約: 逆伝播勾配はfMRIおよびMEG信号を確実に予測できることを示す。 しかし、これらの脳の逆伝播勾配の空間的・時間的構造は、生物学的にもっともらしい逆伝播機構の下で期待されるパターンから分岐する。
• 参考スコア（独自算出の注目度）: 14.123724126963296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Backpropagation is the core learning mechanism underlying deep learning. However, whether and how this algorithm is implemented in the brain remains highly debated. In particular, while forward activations of pretrained models reliably map onto the cortical hierarchy of visual processing, it is unknown whether backpropagated gradients exhibit a similar correspondence. Here, we address this question using functional magnetic resonance imaging (fMRI) and magnetoencephalography (MEG) recordings of human brain responses to natural images. For this, we extend standard encoding analyses of forward activations to map backpropagated gradients onto neural data. Focusing on a recent self-supervised vision model (DINOv3) and reproducing results on eight vision models, we find that backpropagated gradients can reliably predict both fMRI and MEG signals, specifically in higher-level visual cortex and for later latencies. However, the spatial and temporal organization of these backpropagated gradients in the brain diverges from the patterns expected under a biologically plausible backpropagation mechanism: specifically, both the order in which gradients are computed and their spatial organization diverge from the temporal and spatial hierarchies of the human brain. Together, these results suggest that, although deep networks and the brain may share similar representational content, they likely rely on fundamentally different mechanisms to learn those representations.
• Abstract（参考訳）: バックプロパゲーションは、ディープラーニングの根底にある中核的な学習メカニズムである。 しかし、このアルゴリズムが脳内でどのように実装されるかはいまだに議論が続いている。 特に、事前訓練されたモデルの前方でのアクティベーションは、視覚処理の皮質階層に確実にマッピングされるが、バックプロパゲート勾配が類似した対応を示すかどうかは不明である。 本稿では,機能的磁気共鳴画像(fMRI)と脳磁図(MEG)を用いて自然画像に対するヒト脳の反応を計測する。 このために、前向きのアクティベーションの標準的な符号化解析を拡張して、バックプロパゲート勾配をニューラルネットワークにマッピングする。 近年の自己監督型視覚モデル(DINOv3)に焦点をあてて、8つの視覚モデル上で結果を再現することにより、特に高次視覚野およびその後の遅延において、バックプロパゲート勾配がfMRIとMEG信号の両方を確実に予測できることが判明した。 しかし、これらの脳の逆伝播勾配の空間的・時間的構造は、生物学的に妥当なバックプロパゲーション機構の下で期待されるパターンから分岐し、特に、勾配が計算され、その空間的構造が人間の脳の時間的・空間的階層から分岐する。 これらの結果は、ディープネットワークと脳は類似した表現内容を共有するかもしれないが、それらの表現を学習するためには基本的に異なるメカニズムに依存する可能性が高いことを示唆している。

関連論文リスト

• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation [0.33748750222488655]
  本稿では、適応的時間的脳接続学習のための非教師なしノンパラメトリックフレームワークBrainATCLを提案する。 提案手法は,新たに追加されたエッジのレートに基づいて,スナップショット毎のルックバックウィンドウを動的に調整する。 グラフシーケンスはGINE-Mamba2バックボーンを用いて符号化され、静止状態fMRIデータにおける動的機能接続の時空間表現を学習する。
  論文  参考訳（メタデータ） (2025-08-09T21:18:25Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Brain-aligning of semantic vectors improves neural decoding of visual stimuli [2.4891396531775563]
  本稿では,意味ベクトルの頭脳適応という表現学習フレームワークを提案する。 我々は,150の視覚刺激カテゴリーを表すfMRIデータを用いて,このモデルを訓練した。 1)fMRI, 2)脳磁図(MEG), 3)脳波(ECoG)データを用いてゼロショット脳復号を行った。
  論文  参考訳（メタデータ） (2024-03-22T13:01:10Z)
• 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)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• 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)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。