論文の概要: Task-guided cross-subject latent alignment: a multi-encoder-decoder VAE
- arxiv url: http://arxiv.org/abs/2606.15989v1
- Date: Sun, 14 Jun 2026 19:30:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:04.984113
- Title: Task-guided cross-subject latent alignment: a multi-encoder-decoder VAE
- Title（参考訳）: タスク誘導型クロスオブジェクト潜在アライメント:マルチエンコーダデコーダVAE
- Abstract要約: マルチエンコーダ・デコーダ変分オートエンコーダ (MED-VAE) を導入し, 共有刺激を伴わずにオブジェクト間のアライメントを実現する。
我々は、MED-VAEが、一般的な手法よりも高いオブジェクト間アライメントを実現し、優れたセマンティック組織を持つ共通潜在空間を創出することを示す。
また、この優れたアライメントにより、クロスオブジェクト画像デコーディングによって示されるように、クロスオブジェクトのニューラル予測が直接可能になることを示す。
- 参考スコア（独自算出の注目度）: 1.936594951038608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aligning neural activity across subjects offers the promise of discovering shared computational principles and generalizable decoders. However, traditional alignment methods require shared stimuli across subjects, a constraint that limits applicability to naturalistic paradigms with limited or non-overlapping data. We introduce a Multi-Encoder-Decoder Variational Autoencoder (MED-VAE) that achieves cross-subject alignment without shared stimuli by anchoring representations to a common scaffold provided by a pretrained ANN. Using the Natural Scenes Dataset, we show that MED-VAE creates common latent spaces with superior semantic organisation, achieving higher cross-subject alignment than common methods while maintaining robust generalisation to held-out stimuli where traditional methods degrade. Reconstructing from these common spaces back to each subject's original neural space, MED-VAE preserves equal stimulus-driven signal in its cross-subject latent space. Finally, we show that this superior alignment directly enables cross-subject neural prediction, as demonstrated via cross-subject image decoding. In summary, we introduce a framework to identify generalisable common subspaces for cross-subject predictions and downstream tasks, demonstrated here for visual cortex responses to static images.
- Abstract（参考訳）: 被験者間での神経活動の調整は、共有された計算原理と一般化可能なデコーダを発見するという約束を提供する。
しかし、従来のアライメント手法では、制限されたデータや非重複データによる自然主義的パラダイムの適用性を制限する制約として、被験者間での共有刺激が必要である。
本稿では,MED-VAE(Multi-Encoder-Decoder Variational Autoencoder)を提案する。
The Natural Scenes Dataset, we showed that MED-VAE create common latent space with superior semantic organization, achieved a higher cross-ject alignment than common method while maintain robust generalization to hold-out stimuli where traditional method degrade。
これらの共通空間から各被験者の元々の神経空間に再構成され、MED-VAEは、そのクロスオブジェクト潜在空間において等しい刺激駆動信号を保持する。
最後に、この優れたアライメントにより、クロスオブジェクト画像デコーディングによって示されるように、クロスオブジェクトのニューラル予測が直接可能になることを示す。
本稿では,静的な画像に対する視覚野の反応を示す,クロスオブジェクト予測や下流タスクのための一般化可能な共通部分空間を同定するフレームワークを提案する。
関連論文リスト
- Warp-free Cross-view Geo-localization via Feature-space Consensus Mining [49.843311525678565]
ストリートレベルの画像と衛星画像の間に大きな違いがあるため、クロスビューのジオローカライゼーションは困難である。
本稿では,明示的な幾何学的ワープを完全に回避する,新しい統合ビュー・コンセンサス誘導学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T09:02:06Z) - Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
被験者全体にわたる一般化は、侵襲的なニューラル記録において難しいままである。
本稿では,複数の被験者からの音声知覚に対するニューラル応答を共有潜在空間に整列させるクロスオブジェクトセマンティックデコーディングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-03T03:59:16Z) - SGHA-Attack: Semantic-Guided Hierarchical Alignment for Transferable Targeted Attacks on Vision-Language Models [73.19044613922911]
大規模視覚言語モデル(VLM)は、転送ベースの対向摂動に対して脆弱である。
SGHA-Attackは、複数のターゲット参照を採用し、中間層一貫性を強制するフレームワークである。
オープンソースおよび商用のブラックボックスVLMの実験は、SGHA-Attackが従来の方法よりも強力な目標転送性を実現することを示している。
論文 参考訳（メタデータ） (2026-02-02T03:10:41Z) - Cross-Layer Discrete Concept Discovery for Interpreting Language Models [13.842670153893977]
クロス層VQ-VAEは、ベクトル量子化を使用して層間の表現をマッピングするフレームワークである。
本手法は,量子化中のトップk温度に基づくサンプリングとEMAコードブック更新を一意に組み合わせる。
論文 参考訳（メタデータ） (2025-06-24T22:43:36Z) - Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。
本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。
提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2023-11-22T09:18:49Z) - Ensuring Topological Data-Structure Preservation under Autoencoder
Compression due to Latent Space Regularization in Gauss--Legendre nodes [0.0]
我々は、正規化されたオートエンコーダが初期データ多様体をその潜在表現に1対1で再埋め込みすることを証明した。
この観察は、古典的なFashionMNISTデータセットを通じて、MRI脳スキャンの問題を実世界まで拡張する。
論文 参考訳（メタデータ） (2023-09-15T07:58:26Z) - Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased
Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。
まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。
次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文 参考訳（メタデータ） (2022-03-18T09:14:13Z) - Learning Aligned Cross-Modal Representation for Generalized Zero-Shot
Classification [17.177622259867515]
一般化ゼロショット分類(GZSC)のためのアラインド・クロスモーダル表現(adigned Cross-Modal Representations, ACMR)の学習による革新的オートエンコーダネットワークを提案する。
具体的には,学習型分類器によって導かれる潜在部分空間上でのクロスモーダルな潜在特徴のアライメントを強化するために,新しい視覚・セマンティックアライメント(VSA)法を提案する。
さらに,潜伏変数の識別能力を高めるとともに,潜伏変数が崩壊する可能性を低減するための新しい情報拡張モジュール (IEM) を提案する。
論文 参考訳（メタデータ） (2021-12-24T03:35:37Z) - InteL-VAEs: Adding Inductive Biases to Variational Auto-Encoders via
Intermediary Latents [60.785317191131284]
本稿では,潜伏変数の中間集合を用いて,制御可能なバイアスでVAEを学習するための簡易かつ効果的な手法を提案する。
特に、学習した表現に対して、スパーシリティやクラスタリングといった望ましいプロパティを課すことができます。
これにより、InteL-VAEはより優れた生成モデルと表現の両方を学ぶことができる。
論文 参考訳（メタデータ） (2021-06-25T16:34:05Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-13T18:05:36Z)
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。