論文の概要: Beyond Single-Source Cognitive Taskonomy:Multi-Source Task Relations through fMRI Transfer Learning
- arxiv url: http://arxiv.org/abs/2606.26279v1
- Date: Wed, 24 Jun 2026 18:20:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.052434
- Title: Beyond Single-Source Cognitive Taskonomy:Multi-Source Task Relations through fMRI Transfer Learning
- Title（参考訳）: 単一音源認知タスクノミーを超えて:fMRI伝達学習による多音源タスクリレーション
- Abstract要約: 我々は,fMRIの認知タスクノミーを1対1の移動から,多対1のタスク関係や予算制約のあるタスク依存へと拡張する。
発見は、特定のグローバルアロケーション目標の下で、クロスパラダイム制限のモータクラスタと、高い優先度のワーキングメモリ状態を明らかにする。
- 参考スコア（独自算出の注目度）: 6.518399230472298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive tasks are organized by shared and specialized neural processes. Masked fMRI reconstruction provides a common self-supervised objective for quantifying transfer relations among task states, but existing reconstruction-based taskonomies mainly study one-to-one transfer from a single source task to a target. Here, we extend an fMRI cognitive taskonomy from single-source to multi-source transfer across 23 Human Connectome Project task states and use Boolean Integer Programming (BIP) to analyze budget-constrained task allocation. We train 1,127 task-specific and transfer models. Single-source transfer is directional and paradigm structured: motor states transfer well within the motor paradigm but provide limited support to most non-motor targets, consistent with a shared sensorimotor execution system and effector-specific representations. Multi-source transfer depends on the composition of the source set, suggesting that many-to-one task relations are not fully captured by pairwise taskonomy alone. Across supervision budgets, BIP repeatedly allocates direct supervision to several 0-back and 2-back working-memory states, although these states are not consistently the strongest individual sources. This pattern may reflect the integration of perceptual, attentional, and executive processes in working-memory tasks. Together, these findings reveal a cross-paradigm-limited motor cluster and working-memory states with high priority under the specified global allocation objective. Our study extends reconstruction-based fMRI taskonomy from one-to-one transfer to many-to-one task relations and budget-constrained task dependencies.
- Abstract（参考訳）: 認知タスクは、共有された専門的なニューラルプロセスによって構成される。
マスク付きfMRI再構成はタスク状態間の伝達関係を定量化するための共通の自己教師型目的を提供するが、既存の再構成ベースのタスクは、主に1つのソースタスクからターゲットへの1対1の転送を研究している。
ここでは、fMRIの認知タスクノミーを、23のHuman Connectome Projectタスクステートにまたがる複数ソース転送に拡張し、Boolean Integer Programming(BIP)を用いて予算制約されたタスクアロケーションを分析する。
1,127のタスク固有および転送モデルをトレーニングします。
運動状態は運動パラダイム内では良好に伝達されるが、ほとんどの非運動目標に対して限定的なサポートを提供する。
マルチソース転送は、ソースセットの構成に依存するため、多対一のタスク関係は、ペアワイズタスクノミーだけで完全には捉えられていないことを示唆している。
監督予算全体を通じて、BIPはいくつかの0バックと2バックのワーキングメモリ州に監督を繰り返し割り当てているが、これらの州は一貫して最強の個人資源ではない。
このパターンは、作業メモリタスクにおける知覚、注意、実行プロセスの統合を反映している可能性がある。
これらの結果から, 特定グローバルアロケーション目標の下では, クロスパラダイム・リミテッドモータクラスタと作業メモリ状態の優先度が高いことが判明した。
本研究は,1対1の移動から多対1のタスク関係,予算制約によるタスク依存への再構成に基づくfMRIタスクノミーを拡張した。
関連論文リスト
- CoAction: Cross-task Correlation-aware Pareto Set Learning [9.837762929043649]
マルチオブジェクトマルチタスク最適化のためのクロス・tAsk相関対応フレームワークを提案する。
タスク固有の埋め込みベクトルを個別のタスクに割り当てることにより、モデルは知識共有を容易にしながらタスクを効果的に区別する。
提案手法はベンチマーク問題と実世界のアプリケーションの両方をカバーする総合マルチタスクテストスイートで評価される。
論文 参考訳（メタデータ） (2026-05-03T04:52:44Z) - UniMotion: A Unified Motion Framework for Simulation, Prediction and Planning [60.55873455475112]
動作タスク間の共有構造をキャプチャする統合モーションフレームワークUniMotionを提案する。
UniMotionは、これらの動作タスクを同時にサポートするために、専用のインタラクションモードと調整されたトレーニング戦略を採用している。
さらなる微調整により、UniMotionはさまざまな動作タスクにおける最先端のパフォーマンスを達成し、自動運転のための汎用的でスケーラブルなソリューションとして確立する。
論文 参考訳（メタデータ） (2026-01-31T07:12:26Z) - BandiK: Efficient Multi-Task Decomposition Using a Multi-Bandit Framework [0.05142666700569701]
BandiKは、マルチバンドを用いた新しいマルチタスク補助タスクサブセット選択法である。
これは、共同学習の恩恵を受ける可能性のあるタスクを特定するのに役立つタスク間のペアワイズ転送を推定する。
第2段階では、初期推定に基づいて、各目標タスクに対する補助タスクの候補セットの線形数を構築する。
論文 参考訳（メタデータ） (2025-12-31T08:25:15Z) - Tracking and Segmenting Anything in Any Modality [75.32774085793498]
そこで我々はSATAという汎用的なトラッキング・セグメンテーション・フレームワークを提案し、このフレームワークは任意のモダリティ入力でトラッキング・セグメンテーション・サブタスクの広帯域を統一する。
SATAは18の挑戦的なトラッキングとセグメンテーションベンチマークで優れたパフォーマンスを示し、より一般化可能なビデオ理解のための新しい視点を提供する。
論文 参考訳（メタデータ） (2025-11-22T09:09:22Z) - Transition Transfer $Q$-Learning for Composite Markov Decision Processes [6.337133205762491]
本稿では,高次元遷移力学を共有構造を表す低ランク成分の和としてモデル化した新しい複合MDPフレームワークを提案する。
これは純粋に低ランクな遷移モデルの一般的な仮定を緩和する。
UCB-TQLは、複数のタスクがコア線形MDPダイナミクスを共有するが、スパース次元に沿って分散するRLシナリオを転送するために設計されている。
論文 参考訳（メタデータ） (2025-02-01T19:22:00Z) - RepVF: A Unified Vector Fields Representation for Multi-task 3D Perception [64.80760846124858]
本稿では,様々な知覚タスクの表現を調和させる新しい統一表現RepVFを提案する。
RepVFは、ベクトル場を通じてシーン内の異なるターゲットの構造を特徴付け、シングルヘッドでマルチタスクの学習モデルを可能にする。
RepVF 上に構築された RFTR は,タスク間の固有性を利用したネットワークである。
論文 参考訳（メタデータ） (2024-07-15T16:25:07Z) - Musketeer: Joint Training for Multi-task Vision Language Model with Task Explanation Prompts [75.75548749888029]
本稿では,全てのタスクに対してパラメータを共同で訓練し,複数の異種タスク間で完全に共有する視覚言語モデルを提案する。
単一のモデルで、Musteteerは単一のタスクでトレーニングされた強いベースラインに匹敵する結果を得る。
論文 参考訳（メタデータ） (2023-05-11T17:57:49Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:45:56Z) - Reparameterizing Convolutions for Incremental Multi-Task Learning
without Task Interference [75.95287293847697]
マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。
まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。
第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
論文 参考訳（メタデータ） (2020-07-24T14:44:46Z) - Reward Machines for Cooperative Multi-Agent Reinforcement Learning [30.84689303706561]
協調型マルチエージェント強化学習において、エージェントの集合は共通の目標を達成するために共有環境で対話することを学ぶ。
本稿では、報酬関数の構造化表現として使われる単純な機械である報酬機械(RM)を用いて、チームのタスクを符号化する手法を提案する。
マルチエージェント設定におけるRMの新たな解釈は、要求されるチームメイト相互依存性を明示的に符号化し、チームレベルのタスクを個々のエージェントのサブタスクに分解することを可能にする。
論文 参考訳（メタデータ） (2020-07-03T23:08:14Z) - Deeper Task-Specificity Improves Joint Entity and Relation Extraction [0.0]
マルチタスク学習(MTL)は、関連するタスクを学習するための効果的な方法であるが、MTLモデルを設計するには、どのパラメータをタスク固有のものにするかを決定する必要がある。
本稿では,従来の作業よりも深いタスク特異性を実現するニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-15T18:34:52Z)
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。