論文の概要: Decoding Naturalistic Emotion Dynamics from the Brain: An LLM-Enhanced Regression Framework

• arxiv url: http://arxiv.org/abs/2606.07707v1
• Date: Fri, 05 Jun 2026 10:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.299361
• Title: Decoding Naturalistic Emotion Dynamics from the Brain: An LLM-Enhanced Regression Framework
• Title（参考訳）: 自然主義的感情ダイナミクスを脳から復号するLLM強化回帰フレームワーク
• Authors: Lemei Zhang, Peng Liu, Hans Dahle Kvadsheim, August Sætre Aasvær, Shuer Ye, Reza Bonyadi, Maryam Ziaei, Jon Atle Gulla,
• Abstract要約: 神経信号からの感情状態の復号は、通常、離散的なシングルラベル分類タスクとしてフレーム化されている。 本研究では,複数の重なり合う感情の次元を時間とともに連続的な軌跡として追跡するために,多目的回帰フレームワークを採用することにより,感情の復号化を再認識する。
• 参考スコア（独自算出の注目度）: 3.8543064191088203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding emotional states from neural signals has been typically framed as a discrete, single-label classification task based on emotionally stable stimuli, a formulation that oversimplifies the continuous, fluid, and co-occurring nature of human affect. This study reconceptualizes emotion decoding by adopting a multi-target regression framework to track multiple overlapping emotional dimensions as continuous trajectories over time. Leveraging the robust generalization capabilities of Large Language Models (LLMs), we extracted fine-grained, continuous sentiment profiles from a naturalistic auditory narrative, Alice in Wonderland, to serve as scalable proxies for subjective affect from human fMRI dataset. Departing from standard classification paradigms or mass-univariate subtractive contrasts that filter out network dynamics, we leverage regularized and kernel-based machine learning algorithms as continuous estimators to track the magnitude of macroscale neural state variations. We demonstrate that models trained on temporal snapshots of Dynamic Functional Connectivity (DFC) significantly outperform static region-of-interest (ROI) amplitude representations, effectively capturing continuous emotional trajectories under rapidly fluctuating narrative input. Furthermore, by implementing graph-theoretical Explainable AI (XAI) techniques, we deconstruct the underlying predictive features to reveal highly interpretable, emotion-specific topological configurations. Collectively, these results highlight the utility of LLM-automated annotation in affective neuroscience and provide compelling empirical evidence for psychological constructionist frameworks, demonstrating that dynamic, distributed network interactions offer superior explanatory power over strictly locationist accounts of emotion.
• Abstract（参考訳）: 神経信号からの感情状態の復号は、感情的に安定した刺激に基づく離散的な単一ラベルの分類タスクとして、人間の感情の連続的、流動的、共起的な性質を過度に単純化する定式化が一般的である。 本研究では,複数の重なり合う感情の次元を時間とともに連続的な軌跡として追跡するために,多目的回帰フレームワークを採用することにより,感情の復号化を再認識する。 そこで我々は,Large Language Models (LLMs) の堅牢な一般化機能を活用し,人間のfMRIデータセットから主観的影響を示すスケーラブルなプロキシとして,自然主義的な聴覚物語 Alice in Wonderland から,きめ細かな連続的な感情プロファイルを抽出した。 ネットワークダイナミクスをフィルタリングする標準的な分類パラダイムやマスユニバリケート抽出コントラストとは別に、正規化およびカーネルベースの機械学習アルゴリズムを連続推定器として利用し、マクロスケールのニューラルネットワーク状態の変動の大きさを追跡する。 動的機能接続(DFC)の時間的スナップショットに基づいて訓練されたモデルは、静的領域・関心領域(ROI)振幅表現を著しく上回り、急速に変動する物語入力下での継続的な感情的軌跡を効果的に捉えた。 さらに、グラフ理論的説明可能なAI(XAI)技術を実装することにより、基礎となる予測機能を分解して、高度に解釈可能な感情特異的なトポロジ構成を明らかにする。 これらの結果は、感情神経科学におけるLLM自動アノテーションの有用性を強調し、動的に分散されたネットワーク相互作用が、厳密な位置論的感情の説明よりも優れた説明力を提供することを示す、心理学的構成主義フレームワークに対する説得力のある実証的な証拠を提供する。

関連論文リスト

• Memory-guided Prototypical Co-occurrence Learning for Mixed Emotion Recognition [56.00118641432005]
  本稿では,感情共起パターンを明示的にモデル化するメモリ誘導型プロトタイプ共起学習フレームワークを提案する。 人間の認知記憶システムに触発されて,意味レベルの共起関係を抽出するメモリ検索戦略を導入する。 本モデルは感情分布予測のための感情情報表現を学習する。
  論文  参考訳（メタデータ） (2026-02-24T04:11:25Z)
• Adaptive Temporal Dynamics for Personalized Emotion Recognition: A Liquid Neural Network Approach [0.0]
  この研究は、脳波に基づく感情認識のための液体ニューラルネットワークの包括的な応用として、私たちの知る限り、最も優れたものである。 提案するフレームワークは,畳み込み特徴抽出,学習可能な時間定数による液体ニューラルネットワーク,注意誘導融合を組み合わせたものである。 PhyMERデータセット上で、7つの感情的なクラスで行われた被験者依存実験は95.45%の精度を達成し、これまでに報告された結果を上回った。
  論文  参考訳（メタデータ） (2026-01-28T12:14:45Z)
• Dynamical Systems Analysis Reveals Functional Regimes in Large Language Models [0.8694591156258423]
  大規模言語モデルは高次元内部力学を用いてテキスト生成を行う。 ほとんどの解釈可能性のアプローチは静的表現や因果的介入に重点を置いており、時間構造はほとんど探索されていない。 本稿では,自己回帰生成中のアクティベーション時系列から計算した複合動的計量について論じる。
  論文  参考訳（メタデータ） (2026-01-11T21:57:52Z)
• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• Disentangling Emotional Bases and Transient Fluctuations: A Low-Rank Sparse Decomposition Approach for Video Affective Analysis [28.120677578256366]
  ビデオベースのAffective Computing(VAC)は、複雑な感情力学によるモデル不安定性と表現的劣化に悩まされている。 本稿では,LowRank Sparse Emotion Understanding Framework (LSEF)を提案する。 LSEFは3つのプラグ・アンド・プレイモジュールを用いており、このモジュールは階層的な低ランクスパース構成過程として感情力学を歪めている。
  論文  参考訳（メタデータ） (2025-11-14T15:35:11Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• 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)
• Interpretable statistical representations of neural population dynamics and geometry [4.459704414303749]
  そこで我々は,manifold dynamics を局所流れ場に分解し,それらを共通潜在空間にマッピングする表現学習手法 MARBLE を提案する。 シミュレーションされた非線形力学系,リカレントニューラルネットワーク,および霊長類および歯列類からの実験的単一ニューロン記録において,創発的低次元潜伏表現が発見された。 これらの表現はニューラルネットワークや動物間で一貫性があり、認知計算の堅牢な比較を可能にする。
  論文  参考訳（メタデータ） (2023-04-06T21:11:04Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)

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。