論文の概要: Flow Matching with In-Context Priors for Out-of-Distribution Brain Dynamics

• arxiv url: http://arxiv.org/abs/2606.11833v1
• Date: Wed, 10 Jun 2026 09:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.379166
• Title: Flow Matching with In-Context Priors for Out-of-Distribution Brain Dynamics
• Title（参考訳）: アウト・オブ・ディストリビューション脳波のインコンテクスト前処理によるフローマッチング
• Authors: Sam Gijsen, Michał Łukomski, Marc-André Schulz, Kerstin Ritter,
• Abstract要約: 本研究では,認識タスク中に現実的なfMRI脳のダイナミクスを生成するための,時間ステップごとの条件付き拡散変換器を提案する。 我々は,何百ものタスク条件を評価し,トレーニング多様体との関係で予測性能を特徴付ける。 これは、未確認の認知タスクのための全皮質fMRIダイナミクスの最初の生成モデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching and diffusion models enable conditional generation across domains ranging from images to proteins, with recent extensions to out-of-distribution contexts. Yet generative models of neural time series have largely remained restricted to categorical conditioning, precluding compositional and zero-shot generalization. In this work, we propose a per-timestep conditioned diffusion transformer for generating realistic fMRI brain dynamics during unseen cognitive tasks by injecting both compositional language and optional spatial priors in-context. Such zero-shot generation could enable counterfactual neuroscience by supporting in-silico design and evaluation of novel cognitive experiments before empirical validation. Leveraging this model, we evaluate across hundreds of held-out task conditions and characterize predictive performance in relation to the training manifold. From language alone, the model recovers region-specific recruitment across tasks and held-out spatial activation patterns. Spatial priors, when available, complement the text pathway by anchoring generation in regions of task space where language alone degrades, while retaining the compositional structure needed for counterfactual task specification. To our knowledge this is the first generative model of whole-cortex fMRI dynamics for unseen cognitive tasks, advancing counterfactual neuroscience and data-driven experimental design.
• Abstract（参考訳）: フローマッチングと拡散モデルにより、画像からタンパク質まで、最近の拡張からアウト・オブ・ディストリビューション・コンテキストまで、ドメイン間の条件生成が可能になる。 しかし、ニューラル時系列の生成モデルは、構成的およびゼロショットの一般化を前にして、カテゴリー的条件付けに大きく制限されている。 本研究では,コンポジション言語と任意空間先行語の両方をコンテキスト内に注入することにより,未知の認知タスク中に現実的なfMRI脳ダイナミクスを生成するための,時間ステップごとの条件付き拡散変換器を提案する。 このようなゼロショット生成は、経験的検証の前に、シリコン内設計と新しい認知実験の評価をサポートすることで、反ファクト的神経科学を可能にする。 このモデルを活用することで、何百ものタスク条件を網羅して評価し、トレーニング多様体との関係で予測性能を特徴づける。 言語のみから、このモデルはタスク全体にわたる地域固有の採用と空間的アクティベーションパターンを復元する。 空間的先行は、可能であれば、言語のみが劣化するタスク空間の領域で生成をアンカーすることでテキストパスを補完し、反現実的なタスク仕様に必要な構成構造を保持する。 我々の知る限り、これは、認識タスクの見当たらないタスク、反事実神経科学の進歩、データ駆動型実験設計のための全皮質fMRIダイナミクスの最初の生成モデルである。

関連論文リスト

• Discovering Functionally Selective Brain Regions with a Deep Topographic Multimodal Model [5.945410696512368]
  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。
  論文  参考訳（メタデータ） (2026-06-08T17:31:50Z)
• Brain-DiT: A Universal Multi-state fMRI Foundation Model with Metadata-Conditioned Pretraining [6.189635778169108]
  現在のfMRI基礎モデルは、限られた脳の状態と、ミスマッチした事前訓練タスクに依存している。 我々は24のデータセットから349,898のセッションで事前訓練された,汎用多状態fMRI基盤モデルである textitBrain-DiT を提案する。
  論文  参考訳（メタデータ） (2026-04-14T12:52:42Z)
• 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)
• POCO: Scalable Neural Forecasting through Population Conditioning [6.135391899876823]
  POCOは、ニューロン特異的および脳全体のダイナミクスをキャプチャする統合予測モデルである。 プレトレーニング後、POCOは最小限の微調整で新しい録音に迅速に適応する。 包括的分析により、コンテキスト長、セッションの多様性、前処理など、パフォーマンスに影響を及ぼすいくつかの重要な要因が明らかになった。
  論文  参考訳（メタデータ） (2025-06-17T20:15:04Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• 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)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer [19.329190789275565]
  我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。 本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:54:23Z)
• Neural Spatio-Temporal Point Processes [31.474420819149724]
  本稿では,ニューラルODEを計算手法として活用した,点自明なプロセスのための新しいパラメータ化のクラスを提案する。 我々は,地震学,疫学,都市移動性,神経科学など,さまざまな文脈のデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2020-11-09T17:28:23Z)

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。