論文の概要: Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning
- arxiv url: http://arxiv.org/abs/2607.19394v1
- Date: Fri, 03 Jul 2026 03:59:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.151877
- Title: Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning
- Title（参考訳）: 一般化ニューラル表現学習のための共有空間アライメントを用いたクロスオブジェクトセマンティックデコーディング
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 80.18561652862725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalizing across subjects remains challenging in invasive neural recordings because electrode configurations, anatomical structures, and neural signal patterns vary substantially across individuals. To investigate such inter-subject variability, we propose a cross-subject semantic decoding framework that aligns neural responses to speech perception from multiple subjects into a shared latent space and learns a mapping from the aligned neural representations to contextual embeddings. More specifically, using electrocorticography data collected during natural language comprehension, we estimate the shared space using the shared response model and train a decoder to predict contextual semantic embeddings from projected neural responses. For a held-out subject, we estimate a subject-specific projection into the predefined shared space, and directly apply the pretrained decoder without any retraining. Experimental results demonstrate that the proposed framework consistently outperforms baseline methods across evaluation settings and exhibits a reduced performance drop from source subject to held-out subject testing, indicating improved cross-subject generalization. These results suggest that aligning neural activity into a shared latent space, while decoding in a semantic embedding space, provides an effective strategy for improving cross-subject generalization by reducing subject-specific differences in neural responses while effectively capturing shared stimulus-related representations.
- Abstract（参考訳）: 電極構成、解剖学的構造、神経信号パターンが個体によって大きく異なるため、侵襲的な神経記録では、被験者全体の一般化は依然として困難である。
このようなオブジェクト間の変動性を調べるために,複数の被験者からの音声知覚に神経応答を協調させ,協調したニューラル表現からコンテキスト埋め込みへのマッピングを学習す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。
具体的には、自然言語理解中に収集した脳波データを用いて、共有応答モデルを用いて共有空間を推定し、デコーダを訓練し、予測されたニューラル応答から文脈的セマンティック埋め込みを予測する。
保持対象について、予め定義された共有空間への被写体固有の投影を推定し、事前学習されたデコーダを直接適用する。
実験結果から,提案フレームワークは評価設定のベースライン手法を一貫して上回り,被験者の保持対象からの性能低下を低減し,クロスオブジェクトの一般化が向上していることが示唆された。
これらの結果から,ニューラルアクティビティを共有潜在空間に整合させる一方で,セマンティックな埋め込み空間にデコードすることで,ニューラルレスポンスの主観的差異を低減し,共有刺激関連表現を効果的に捉えることで,オブジェクト間の一般化を改善する効果的な戦略が示唆された。
関連論文リスト
- Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification [13.282533076475383]
テラバイトまたはペタバイト規模の電子顕微鏡データを処理するためのトレーニング不要な標的ニューロン追跡フレームワークを提案する。
具体的には、幾何的先行情報を利用して神経形態を反復的に再構築する骨格誘導ヒューリスティック空間探索パラダイムを導入する。
基礎モデルNeuroSAM 2に基づく次元認識セマンティック検証戦略をさらに発展させる。
論文 参考訳（メタデータ） (2026-07-06T05:56:26Z) - Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。
コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
論文 参考訳（メタデータ） (2026-06-30T15:42:23Z) - Task-guided cross-subject latent alignment: a multi-encoder-decoder VAE [1.936594951038608]
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。
論文 参考訳（メタデータ） (2026-06-14T19:30:11Z) - Flow Matching with In-Context Priors for Out-of-Distribution Brain Dynamics [0.0]
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。
論文 参考訳（メタデータ） (2026-06-10T09:15:33Z) - Uncovering Semantic Selectivity of Latent Groups in Higher Visual Cortex with Mutual Information-Guided Diffusion [19.983291706164923]
ニューラル潜伏部分空間に符号化された視覚的意味属性を可視化し、検証するMIG-Visを提案する。
2つのマカクの下側頭葉(IT)大脳皮質からのマルチセッションニューラルスパイクデータセット上でMIG-Visを検証する。
論文 参考訳（メタデータ） (2025-10-02T16:33:40Z) - Discovering Chunks in Neural Embeddings for Interpretability [53.80157905839065]
本稿では, チャンキングの原理を応用して, 人工神経集団活動の解釈を提案する。
まず、この概念を正則性を持つ人工シーケンスを訓練したリカレントニューラルネットワーク(RNN)で実証する。
我々は、これらの状態に対する摂動が関連する概念を活性化または阻害すると共に、入力における概念に対応する同様の繰り返し埋め込み状態を特定する。
論文 参考訳（メタデータ） (2025-02-03T20:30:46Z) - TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance [66.43360974979386]
拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。
回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。
本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
論文 参考訳（メタデータ） (2023-07-08T14:10:37Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - Deep Neural Convolutive Matrix Factorization for Articulatory
Representation Decomposition [48.56414496900755]
この研究は、コンボリューティブスパース行列分解のニューラル実装を用いて、調音データを解釈可能なジェスチャーとジェスチャースコアに分解する。
音素認識実験も実施され、ジェスチャースコアが実際に音韻情報のコード化に成功していることが示された。
論文 参考訳（メタデータ） (2022-04-01T14:25:19Z) - A shared neural encoding model for the prediction of subject-specific
fMRI response [17.020869686284165]
本稿では,個人レベルでの差分を考慮した共有畳み込みニューラルエンコーディング手法を提案する。
本手法は,視覚刺激や聴覚刺激によって誘発される主観的応答の予測を改善するために,多目的データを活用する。
論文 参考訳（メタデータ） (2020-06-29T04:10:14Z)
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。