Fugu-MT 論文翻訳(概要): Discovering Functionally Selective Brain Regions with a Deep Topographic Multimodal Model

論文の概要: Discovering Functionally Selective Brain Regions with a Deep Topographic Multimodal Model

arxiv url: http://arxiv.org/abs/2606.09770v1
Date: Mon, 08 Jun 2026 17:31:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-09 14:42:07.594548
Title: Discovering Functionally Selective Brain Regions with a Deep Topographic Multimodal Model
Title（参考訳）: 深部地形マルチモーダルモデルによる機能選択的脳領域の発見
Authors: Badr AlKhamissi, Johannes Mehrer, Lara Marinov, Ahmed Abdelaal, Abdulkadir Gokce, Martin Schrimpf,
Abstract要約: 最近の地形モデルは、この構造の側面を再現するが、一様であり、各層を個別に空間的に拘束する。 Topo-Omniは、視覚、聴覚、言語/認知処理が一つの連続したシリコンシートを共有するマルチモーダルモデルである。
参考スコア（独自算出の注目度）: 5.945410696512368
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Nearby neurons in cortex share similar response profiles, producing systematic spatial organization across sensory and cognitive systems. Recent topographic models reproduce aspects of this structure but remain unimodal and spatially constrain each layer separately, yielding fragmented maps that capture neither the contiguity of cortical processing streams nor their integration across modalities. We introduce Topo-Omni, a topographic multimodal model in which visual, auditory, and language/cognitive processing share a single contiguous in-silico sheet. Built by fine-tuning a pretrained foundation model with a spatial smoothness objective, this architecture develops clusters across modalities that are consistent with human neuroimaging, from sensory to cognitive systems. Driving or suppressing a cluster selectively biases or impairs perception, paralleling human intervention studies. Finally, we use our model to screen for novel clusters in-silico and discover new natural landscape and animal networks which we validate in human data. A single spatial principle thus organizes representations across modalities and processing stages, yielding testable hypotheses about cortical organization.
Abstract（参考訳）: 大脳皮質のニューロンは、同様の反応プロファイルを共有し、感覚や認知システムにまたがる組織的な空間的組織を創出する。最近の地形モデルは、この構造の側面を再現するが、一様のままであり、各層を別々に制約し、皮質処理ストリームの連続性や、モード間の統合を捉えない断片化されたマップを生成する。 Topo-Omniは、視覚的、聴覚的、言語/認知的処理が1つの連続したシリコンシートを共有する、地形的マルチモーダルモデルである。このアーキテクチャは、感覚から認知システムに至るまで、人間のニューロイメージングと整合するモジュールのクラスタを、空間的滑らかさの目標で微調整することによって構築される。クラスターの運転または抑制は、人間の介入研究を並行して、選択的に偏見や知覚を損なう。最後に、我々のモデルを用いて、新しいクラスターをサイコでスクリーニングし、人間のデータで検証する新しい自然景観と動物ネットワークを発見する。したがって、単一の空間原理は、モダリティと処理段階にまたがる表現を整理し、皮質組織に関する検証可能な仮説を導出する。

関連論文リスト

NeuroVolve: Evolving Visual Stimuli toward Programmable Neural Objectives [4.586830141349792]
NeuroVolveは脳誘導画像合成を提供する生成フレームワークである。我々は,NeuroVolveが単一ROIに対して低レベルかつセマンティックな特徴特異的刺激を生成できることを示した。
論文参考訳（メタデータ） (2025-11-29T16:57:59Z)
Uncovering Semantic Selectivity of Latent Groups in Higher Visual Cortex with Mutual Information-Guided Diffusion [19.983291706164923]
ニューラル潜伏部分空間に符号化された視覚的意味属性を可視化し、検証するMIG-Visを提案する。 2つのマカクの下側頭葉(IT)大脳皮質からのマルチセッションニューラルスパイクデータセット上でMIG-Visを検証する。
論文参考訳（メタデータ） (2025-10-02T16:33:40Z)
Mind Meets Space: Rethinking Agentic Spatial Intelligence from a Neuroscience-inspired Perspective [53.556348738917166]
エージェントAIの最近の進歩は、自律的なタスク実行と言語に基づく推論が可能なシステムにつながっている。人間の空間知能は、統合された多感覚知覚、空間記憶、認知マップに根ざし、非構造環境における柔軟でコンテキスト対応の意思決定を可能にする。
論文参考訳（メタデータ） (2025-09-11T05:23:22Z)
Mapping minds not averages: a scalable subject-specific manifold learning framework for neuroimaging data [0.0]
構造化データと時間的非構造化データの両方にわたる主観的空間変動を捉えることができる多様体学習フレームワークを提案する。本研究では,このフレームワークを大規模データセットに効率よく拡張し,新たな対象に最適化することを示す。以上より,本フレームワークは臨床的に関連のある脳活動パターンを明らかにすることができることが示唆された。
論文参考訳（メタデータ） (2025-04-30T21:40:54Z)
The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns [3.9848584845601014]
協調ネットワークアーキテクチャ(Cooperative Network Architecture, CNA)は,ニューロンの構造的, 繰り返し接続されたネットワークを用いて, 知覚信号を表すモデルである。我々は、ネットフラグメントを監督なしに学習し、フレキシブルに組み換えることで、新しいパターンをエンコードし、フィギュア補完とノイズに対するレジリエンスを可能にすることを実証した。
論文参考訳（メタデータ） (2024-07-08T06:22:10Z)
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)
DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-19T23:35:06Z)
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)
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)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders [72.15087604017441]
カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
論文参考訳（メタデータ） (2021-10-25T11:37:41Z)

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。