論文の概要: Leveraging unlabelled data for generalizable neural population decoding

• arxiv url: http://arxiv.org/abs/2607.14086v1
• Date: Wed, 15 Jul 2026 17:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.85669
• Title: Leveraging unlabelled data for generalizable neural population decoding
• Title（参考訳）: 一般化可能なニューラル集団復号のための非ラベルデータの活用
• Abstract要約: MOJOは、自己ラベル付き学習(SSL)をマスク付きオートエンコーディングとSL目標を通じて共同で活用するスパイクトークンモデルのためのトレーニングフレームワークである。 サルの運動野に散らばる3つのスパイクデータセットを用いて,視覚・意思決定タスクにおける複数領域のマウス記録と到達タスクにおけるMOJOの評価を行った。 この結果から,MOJOは音声中の人間の脳電図のスパイクデータを超えて一般化し,SL学習モデルよりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 13.024477313318846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust and accurate neural decoders are integral to neurotechnologies such as brain-computer interfaces and closed-loop experiments. Recent work has shown that tokenizing neural data at the spike level facilitates multi-session pretraining and delivers state-of-the-art decoding performance. However, current spike-based models are restricted to supervised learning (SL), limiting training to datasets with paired behavioural labels. To address this limitation, we introduce MOJO (Masked autOencoder-based JOint training), a training framework for spike-tokenizing models that jointly leverages self-supervised learning (SSL) via masked autoencoding and SL objectives. We evaluate MOJO on three spiking datasets spanning monkey motor cortex during reaching tasks and multi-regional mouse recordings during vision and decision making tasks, demonstrating superior performance over purely SL-trained models. This improvement is especially pronounced when training with limited labelled data, particularly in few-shot finetuning, where only a small amount of labelled data from a new session is available. Incorporating SSL also yields more interpretable neuronal representations, improving performance on brain region classification and spike-statistics prediction without explicit optimization for these tasks. We further show that MOJO generalizes beyond spiking data to human electrocorticography during speech, where it continues to outperform purely SL-trained models and achieves performance comparable to neuro-foundation models (NFMs) designed specifically for continuous signals. Overall, augmenting spike-tokenizing models with SSL improves performance in label-impoverished settings and enables the use of unlabelled data across various tasks and species, while generalizing to other neural modalities. These results suggest a path towards more flexible and scalable data usage when training NFMs.
• Abstract（参考訳）: ロバストで正確な神経デコーダは、脳-コンピュータインタフェースやクローズドループ実験のような神経技術に不可欠なものである。 最近の研究によると、スパイクレベルでの神経データのトークン化は、マルチセッション事前トレーニングを促進し、最先端のデコーディング性能を提供する。 しかし、現在のスパイクベースのモデルは教師付き学習(SL)に限定されており、トレーニングはペアの振る舞いラベルを持つデータセットに限られている。 この制限に対処するために,マスク付きオートエンコーディングとSL目標を用いた自己教師付き学習(SSL)を併用したスパイク学習モデルのトレーニングフレームワークであるMOJO(Masked autOencoder-based JOint training)を導入する。 サルの運動野にまたがる3つのスパイキングデータセットと視覚・意思決定タスク中の複数領域のマウス記録を用いてMOJOを評価し,純粋SL訓練モデルよりも優れた性能を示した。 この改善は、特に新しいセッションから少量のラベル付きデータしか利用できない、限られたラベル付きデータでのトレーニングにおいて特に顕著である。 SSLを組み込むことで、より解釈可能な神経表現が得られ、これらのタスクを明示的に最適化することなく、脳領域の分類とスパイク統計予測のパフォーマンスが向上する。 さらに、MOJOは、音声中の人間の脳波にスパイクするデータを超えて一般化し、純粋なSL訓練モデルよりも優れ、連続信号に特化して設計されたニューロファウンデーションモデル(NFM)に匹敵する性能を実現していることを示す。 全体として、SSLによるスパイクトークンモデルの拡張は、ラベルが不適切な設定におけるパフォーマンスを改善し、さまざまなタスクや種々にわたる非ラベリングデータの使用を可能にし、他のニューラルモダリティに一般化する。 これらの結果は、NFMをトレーニングする際の、より柔軟でスケーラブルなデータ利用への道のりを示唆している。

関連論文リスト

• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• Decoding Dynamic Visual Experience from Calcium Imaging via Cell-Pattern-Aware SSL [6.099145932421348]
  本稿では,ニューラルネットワークの不均一性を生かして事前学習を改善し,スケールのメリットを享受する,自己教師型プレトレーニング(POYO-SSL)の新たなアプローチを提案する。 特に、POYO-SSLでは、予測可能な(統計的に正則な)ニューロンのみを事前訓練し、単純な高次統計(歪と曲率)によって事前訓練した。 アレン・ブレイン・オブザーバトリー(Allen Brain Observatory)のデータセットでは、この戦略はオフスクラッチトレーニングよりも約12-13%の相対的なゲインを獲得し、モデルサイズで滑らかで単調なスケーリングを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:57:52Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Generalizable, real-time neural decoding with hybrid state-space models [19.90083268518243]
  本稿では、クロスアテンションモジュールによる個別スパイクトークン化と、再帰状態空間モデル(SSM)のバックボーンを組み合わせた、新しいハイブリッドアーキテクチャPOSSMを提案する。 サル運動タスクの皮質内復号におけるPOSSMの復号性能と推論速度を評価し,臨床応用に拡張することを示す。 これらすべてのタスクにおいて、POSSMは、最先端のトランスフォーマーに匹敵する復号精度を推論コストのごく一部で達成している。
  論文  参考訳（メタデータ） (2025-06-05T17:57:08Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data [15.211387244155725]
  機能的磁気共鳴イメージング(fMRI)データから抽出した機能的接続性(FC)ネットワークを訓練したディープニューラルネットワークが人気を博している。 グラフニューラルネットワーク(GNN)のFCへの適用に関する最近の研究は、FCの時間変化特性を活用することにより、モデル予測の精度と解釈可能性を大幅に向上させることができることを示唆している。 高品質なfMRIデータとそれに対応するラベルを取得するための高コストは、実環境において彼らのアプリケーションにハードルをもたらす。 本研究では,動的FC内の時間情報を効果的に活用するためのSSL生成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T16:14:43Z)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• MUSCLE: Strengthening Semi-Supervised Learning Via Concurrent Unsupervised Learning Using Mutual Information Maximization [29.368950377171995]
  我々は、教師なし学習と半教師なし学習を併用するために、相互情報に基づく教師なし・半教師付き並行学習(MUSCLE)を導入する。 MUSCLEはニューラルネットワークのスタンドアロントレーニングスキームとして使用することができ、他の学習手法にも組み込むことができる。 提案手法は,CIFAR-10,CIFAR-100,Mini-Imagenetなど,いくつかの標準ベンチマークにおいて,その性能に優れることを示す。
  論文  参考訳（メタデータ） (2020-11-30T23:01:04Z)

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。