論文の概要: Bidirectional representational alignment between biological and artificial neural networks

• arxiv url: http://arxiv.org/abs/2608.18244v1
• Date: Tue, 18 Aug 2026 18:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.185748
• Title: Bidirectional representational alignment between biological and artificial neural networks
• Title（参考訳）: 生物学的ニューラルネットワークと人工ニューラルネットワークの双方向表現アライメント
• Authors: Samuel Kostousov, Abhinn Kaushik, Brokoslaw Laschowski,
• Abstract要約: 近年の研究では、生物学的ニューラルネットワークと人工ニューラルネットワークの表現的アライメントが非対称であることが示されている。 この非対称性は、表現幾何学が双方向の表現的アライメントに寄与するかどうかという問題を提起する。 スペクトル正則化と双方向予測性分析を統合したフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has shown that representational alignment between biological and artificial neural networks is asymmetric: model representations predict neural responses much better than neural responses predict model representations. This asymmetry raises the question of whether representational geometry contributes to bidirectional representational alignment. We hypothesized that steering representational geometry during training can systematically influence bidirectional alignment. To test this hypothesis, we developed a computational framework that integrates spectral regularization with bidirectional predictivity analyses. As an initial demonstration, we evaluated our framework using self-supervised contrastive vision models. Steering the spectral geometry of the learned representations substantially increased reverse predictivity with modest reductions in forward predictivity, yielding a 55% relative improvement in bidirectional predictivity. These improvements were accompanied by reduced effective dimensionality and a reorganization of the shared representational subspace, within which forward and reverse predictivity became approximately symmetric at intermediate spectral exponents. Overall, these findings demonstrate that representational geometry can be systematically steered to modulate bidirectional representational alignment between biological and artificial neural networks.
• Abstract（参考訳）: モデル表現は、モデル表現を予測する神経応答よりもはるかに優れた神経応答を予測する。 この非対称性は、表現幾何学が双方向の表現的アライメントに寄与するかどうかという問題を提起する。 我々は、トレーニング中に表象幾何学を操ることが双方向のアライメントに体系的に影響を及ぼすと仮定した。 この仮説をテストするために,スペクトル正則化と双方向予測率解析を統合する計算フレームワークを開発した。 最初のデモとして、自己監督型コントラスト視覚モデルを用いて、我々のフレームワークを評価した。 学習した表現のスペクトル幾何をステアリングすると、逆予測率が大幅に増加し、前方予測率がわずかに減少し、双方向予測率が55%向上した。 これらの改善には、有効次元の減少と共有表現部分空間の再編成が伴い、その内、前後の予測率は中間スペクトル指数でほぼ対称になった。 これらの結果から, 生体と人工のニューラルネットワーク間の双方向の表現的アライメントを, 系統的に制御できることが示唆された。

関連論文リスト

• Neural Networks Provably Learn Spectral Representations for Group Composition [51.637084292404616]
  ニューラルネットワークトレーニング中に内部構造がどのように現れるかを検討する。 トレーニング力学は表現理論エネルギー汎関数上の勾配上昇によって支配されていることを証明する。 このフレームワークは特徴学習の表現論的記述を提供し、新しい低ランク圧縮現象を特徴付ける。
  論文  参考訳（メタデータ） (2026-06-02T01:04:21Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• Connecting Concept Convexity and Human-Machine Alignment in Deep Neural Networks [3.001674556825579]
  ニューラルネットワークと人間の認知プロセスの整合性を理解することは、より解釈可能で信頼性の高いAIシステムを開発するための重要なステップである。 認知タスクにおける人間との類似関係を反映した2つの次元の相関関係を同定する。 これは、人間と機械のアライメント間の関係の凸性を理解するための第一歩である。
  論文  参考訳（メタデータ） (2024-09-10T09:32:16Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• A Spectral Theory of Neural Prediction and Alignment [8.65717258105897]
  我々は、回帰からモデルと対象のスペクトル特性への一般化誤差を関連づける最近の理論的枠組みを用いる。 我々は、視覚的皮質活動を予測するディープニューラルネットワークを多数テストし、回帰によって測定された低ニューラルネットワーク予測誤差をもたらす複数のタイプのジオメトリーが存在することを示す。
  論文  参考訳（メタデータ） (2023-09-22T12:24:06Z)
• Representational dissimilarity metric spaces for stochastic neural networks [4.229248343585332]
  神経表現の類似性を定量化することは、深層学習と神経科学研究における長年の問題である。 形状メトリクスを一般化して表現の違いを定量化する。 神経生物学的指向型視覚格子と自然主義的なシーンはそれぞれ、訓練されていない深層ネットワーク表現と訓練された深部ネットワーク表現に類似している。
  論文  参考訳（メタデータ） (2022-11-21T17:32:40Z)
• Nonasymptotic theory for two-layer neural networks: Beyond the bias-variance trade-off [10.182922771556742]
  本稿では,ReLUアクティベーション機能を持つ2層ニューラルネットワークに対する漸近的一般化理論を提案する。 過度にパラメータ化されたランダムな特徴モデルは次元性の呪いに悩まされ、従って準最適であることを示す。
  論文  参考訳（メタデータ） (2021-06-09T03:52:18Z)

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。