論文の概要: RABBiT: Rapidly adaptive BOLD foundation model via brain-tuning for accurate zero-shot and few-shot prediction of speech-elicited responses in the brain
- arxiv url: http://arxiv.org/abs/2607.05171v1
- Date: Mon, 06 Jul 2026 14:54:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.197917
- Title: RABBiT: Rapidly adaptive BOLD foundation model via brain-tuning for accurate zero-shot and few-shot prediction of speech-elicited responses in the brain
- Title（参考訳）: RABBiT: 迅速な適応型BOLD基礎モデル
- Abstract要約: 本稿では,0ショットと少数ショットの正確な予測のためのコンパクトオーディオ-fMRIエンコーダであるRABBiTを紹介する。
RABBiTは、ヒト脳内の言語をスケーラブルに集団レベルで解析することを可能にする。
- 参考スコア（独自算出の注目度）: 9.911908326274581
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language understanding in the brain is context-dependent, varying across experimental stimuli and individuals, which makes it difficult to build computational models that generalize across both. This calls for a foundation model of language-evoked brain activity that can capture shared structure while adapting efficiently to new participants and inputs. We introduce RABBiT (Rapidly Adaptive BOLD foundation model via BraIn-Tuning), a compact audio-to-fMRI encoder designed for accurate zero- and few-shot prediction. A comprehensive evaluation on 324 participants across multiple unseen fMRI datasets shows that RABBiT enables accurate zero-shot prediction of fMRI responses to natural speech across auditory and language-selective regions, surpassing the SOTA foundation model for fMRI and predictions based on group averages. With as little as 10 minutes of participant-specific data, RABBiT further improves performance via parameter-efficient tuning, substantially outperforming per-participant linear models. RABBiT's performance is driven by two key innovations: (1) learned region-specific attention, and (2) a decomposition of brain responses into shared and subject-specific components, combined with a brain-tuned speech backbone. In addition to supporting strong predictive accuracy, the structured, region-specific representations that RABBiT learns enable interpretability. By eliminating the need for extensive per-participant data and model fitting, RABBiT enables scalable population-level analyses of language in the human brain. We make the code available at https://github.com/bridge-ai-neuro/rabbit.
- Abstract（参考訳）: 脳内の言語理解は文脈依存的であり、実験的な刺激や個人によって異なるため、双方にわたって一般化する計算モデルを構築することは困難である。
これは言語誘発脳活動の基礎モデルであり、新しい参加者や入力に効率的に適応しながら共有構造を捉えることができる。
In-TuningによるRABBiT(Rapidly Adaptive BOLD foundation model)を導入する。
複数の未知のfMRIデータセットにまたがる324人の参加者の包括的評価により、RABBiTは、fMRIのSOTA基礎モデルとグループ平均に基づく予測を超越して、自然な音声に対するfMRI応答の正確なゼロショット予測を可能にした。
参加者固有データの10分以内で、RABBiTはパラメータ効率のチューニングによりパフォーマンスをさらに向上し、参加者毎の線形モデルを大幅に上回る。
RABBiTのパフォーマンスは、(1)学習した地域固有の注意、(2)脳の反応を共有および主題固有のコンポーネントに分解し、脳に調整された音声のバックボーンと組み合わせた2つの重要な革新によって引き起こされる。
強い予測精度をサポートすることに加えて、RABBiTが学習する構造化された地域固有の表現は解釈可能性を実現する。
RABBiTは、参加者ごとの広範なデータとモデルフィッティングの必要性を排除し、人間の脳内の言語をスケーラブルに集団レベルで分析することを可能にする。
コードはhttps://github.com/bridge-ai-neuro/rabbit.comで公開しています。
関連論文リスト
- Heterogeneous Neural Predictivity from Language Models During Naturalistic Comprehension [0.6331422666055228]
言語モデル表現は、自然言語刺激の構造化された高次元アノテーションを提供する。
低レベルのベースラインに対する肯定的な保留予測と利得は、ソースレベルの要約に広まっていた。
これらの結果から,言語モデル由来の量によって,自然言語やテキストの理解において,神経活動に注釈を付けることが可能であることが示唆された。
論文 参考訳（メタデータ） (2026-06-25T11:08:49Z) - Brain-tuning Improves Generalizability and Efficiency of Brain Alignment in Speech Models [9.911908326274581]
複数の参加者からのfMRI応答を協調的に予測するために,事前学習した言語モデルを微調整する。
提案手法は,1)新しい参加者からの脳データ予測に必要なfMRIデータの量は5倍に減少し,2)脳全体のアライメントは50%増加し,3)新しい未知のデータセットへの強力な一般化をもたらす。
論文 参考訳（メタデータ） (2025-10-24T14:42:19Z) - Generative causal testing to bridge data-driven models and scientific theories in language neuroscience [82.995061475971]
脳における言語選択性の簡潔な説明を生成するためのフレームワークである生成因果テスト(GCT)を提案する。
GCTは機能的選択性に類似した脳領域の細粒度の違いを識別できることを示す。
論文 参考訳（メタデータ） (2024-10-01T15:57:48Z) - A Lesion-aware Edge-based Graph Neural Network for Predicting Language Ability in Patients with Post-stroke Aphasia [12.129896943547912]
本稿では,脳卒中後失語症患者の安静時fMRI(r-fMRI)接続から言語能力を予測するために,病変認識型グラフニューラルネットワーク(LEGNet)を提案する。
本モデルでは,脳領域間の機能的接続を符号化するエッジベース学習モジュール,病変符号化モジュール,サブグラフ学習モジュールの3つのコンポーネントを統合する。
論文 参考訳（メタデータ） (2024-09-03T21:28:48Z) - fMRI predictors based on language models of increasing complexity recover brain left lateralization [4.1618731507412505]
脳の相関の左右差は、パラメータ数によるスケーリング則に従っていることを示す。
この発見は、大きな言語モデルを用いた脳活動の計算的解析と、言語に対する左半球優位を示す失語患者からの古典的な観察を照合する。
論文 参考訳（メタデータ） (2024-05-28T09:24:52Z) - In-Context Language Learning: Architectures and Algorithms [73.93205821154605]
我々は、文脈言語学習(ICLL)において、私たちが用語する新しいモデル問題群(英語版)のレンズを通してICLを研究する。
我々は,通常のICLLタスクにおいて,多種多様なニューラルシーケンスモデルを評価する。
論文 参考訳（メタデータ） (2024-01-23T18:59:21Z) - Scaling laws for language encoding models in fMRI [47.498241053872924]
我々は、fMRIを用いて記録された脳の反応を予測するために、より大きなオープンソースモデルの方が優れているかどうかを検証した。
同様の対数行動は、fMRIトレーニングセットのサイズを拡大する際に観察された。
これらの結果は、脳内の言語処理の極めて効果的なモデルが得られることを示唆している。
論文 参考訳（メタデータ） (2023-05-19T17:53:03Z) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳（メタデータ） (2022-07-07T15:37:17Z) - Dependency-based Mixture Language Models [53.152011258252315]
依存性に基づく混合言語モデルを紹介する。
より詳しくは、依存関係モデリングの新たな目的により、まずニューラルネットワークモデルを訓練する。
次に、前回の依存性モデリング確率分布と自己意図を混合することにより、次の確率を定式化する。
論文 参考訳（メタデータ） (2022-03-19T06:28:30Z) - Model-based analysis of brain activity reveals the hierarchy of language
in 305 subjects [82.81964713263483]
言語の神経基盤を分解する一般的なアプローチは、個人間で異なる刺激に対する脳の反応を関連付けている。
そこで本研究では,自然刺激に曝露された被験者に対して,モデルに基づくアプローチが等価な結果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-12T15:30:21Z) - Parameter Space Factorization for Zero-Shot Learning across Tasks and
Languages [112.65994041398481]
本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。
タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。
我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
論文 参考訳（メタデータ） (2020-01-30T16:58:56Z)
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。