論文の概要: BrainTaskonomy: Learning How to Pretrain and What to Transfer in fMRI Foundation Models

• arxiv url: http://arxiv.org/abs/2609.10518v1
• Date: Wed, 09 Sep 2026 17:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.128332
• Title: BrainTaskonomy: Learning How to Pretrain and What to Transfer in fMRI Foundation Models
• Title（参考訳）: BrainTaskonomy:fMRIファウンデーションモデルにおける事前トレーニングの方法と転送方法を学ぶ
• Abstract要約: 測定された学習関係が、バックボーンを変更することなく、両方のステージを整理できるかどうかを検討する。 事前トレーニング中は、軽量のBrain-DiTプロキシが10のfMRIドメインにわたる難易度とファシリテーションを推定する。 適応中、指示されたタスクノミーは、直接監督されたソースタスクとターゲット固有のルートを選択する。
• 参考スコア（独自算出の注目度）: 6.189635778169108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: fMRI foundation models increasingly aggregate heterogeneous data across brain states, cohorts, and acquisition settings, yet pretraining domains are commonly treated as a flat mixture and downstream tasks are adapted independently. We study whether measured learning relations can organize both stages without modifying the backbone. During pretraining, a lightweight Brain-DiT proxy estimates difficulty and directed facilitation across ten fMRI domains, yielding a priority-guided cumulative domain curriculum combined with high-to-low-noise timestep scheduling and joint consolidation. During adaptation, controlled first- and higher-order transfer across fifteen tasks constructs a directed taskonomy, from which budgeted integer programming (BIP) selects directly supervised source tasks and target-specific routes. The joint priority-domain and high-to-low-timestep curriculum reduces v-NMSE, PSD-NMSE, and FC-MSE by 6.5%, 16.3%, and 10.5%, respectively, relative to uniform sampling over both dimensions, and shows strong downstream performance across six in- and out-of-domain tasks. The taskonomy reveals asymmetric, target-dependent transfer, while exploratory sealed-test evaluation shows larger descriptive gains for BIP policies when higher-order route spaces are available than for matched random controls. Together, these findings support organizing fMRI pretraining and adaptation by measured learning relations rather than treating domains and tasks as independent flat sets.
• Abstract（参考訳）: fMRIファンデーションモデルは、脳の状態、コホート、取得設定にまたがる異種データを徐々に集約するが、事前学習ドメインはフラットミックスとして扱われ、下流タスクは独立して適応される。 測定された学習関係が、バックボーンを変更することなく、両方のステージを整理できるかどうかを検討する。 プレトレーニング中に、軽量のBrain-DiTプロキシが10個のfMRIドメインの難易度と誘導ファシリテーションを推定し、優先度誘導された累積的なドメインカリキュラムとハイ・ロー・ノイズのタイムステップスケジューリングとジョイント・コンソリデーションを組み合わせた。 適応中、15タスク間で制御された一階および高階の転送は、直接監督されたソースタスクとターゲット固有のルートを選択する、有向タスクノミーを構成する。 V-NMSE, PSD-NMSE, FC-MSEはそれぞれ6.5%, 16.3%, 10.5%削減され、6つの領域内および外部のタスクに対して高いダウンストリーム性能を示す。 タスクノミーは非対称で目標に依存した移動を示す一方、探索シールテスト評価は、一致したランダム制御よりも高次経路空間が利用できる場合に、BIPポリシーの記述的利得が大きいことを示す。 これらの知見は、ドメインやタスクを独立したフラットセットとして扱うのではなく、測定された学習関係によるfMRI事前訓練と適応の組織化を支援する。

関連論文リスト

• Transferability for General Reasoning: An Automated Curriculum for Multi-Domain RLVR [59.527728403519745]
  Transfer-Aware Curriculumは、トレーニングスイートの他の部分にとって大きなメリットがあるドメインを優先する。 Qwen3-1.7BとLlama3.2-3Bで最高のマクロ平均精度を達成する。 学習性のみのカリキュラムが支配的なドメインに過剰にコミットされる不均衡なトレーニングミックスでは、依然として堅牢である。
  論文  参考訳（メタデータ） (2026-06-23T21:10:29Z)
• Data Mixing for Large Language Models Pretraining: A Survey and Outlook [52.66761353708619]
  大規模言語モデル(LLM)は、大規模で不均一なコーパスの事前訓練に依存している。 サンプルレベルのデータ選択とは異なり、データミキシングはドメインレベルのサンプリング重量を最適化し、限られた予算をより効率的に割り当てる。 本稿では,LLM事前学習におけるデータ混合の総合的な検討について述べる。
  論文  参考訳（メタデータ） (2026-03-25T13:30:40Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• Aligning Instruction Tuning with Pre-training [61.50161961371844]
  そこで我々は,AITP(Aligning Instruction Tuning with Pre-training)を提案する。 8つのベンチマークで3つの完全にオープンな大規模言語モデル(LLM)上で,AITPによる一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2025-01-16T08:27:40Z)
• TAMT: Temporal-Aware Model Tuning for Cross-Domain Few-Shot Action Recognition [39.073835841717184]
  クロスドメイン行動認識(CDFSAR)は近年研究の関心を集めている。 本稿では,CDFSARのための簡易かつ効果的なベースラインであるTemporal-Aware Model Tuning (TAMT)を提案する。 我々のTAMTは、ソースデータと微調整対象データで事前トレーニングを行うことで、複数のターゲットデータに対する単一のソースによる再トレーニングを回避することで、デカップリングパラダイムを含む。
  論文  参考訳（メタデータ） (2024-11-28T10:38:05Z)
• Deciphering Cross-Modal Alignment in Large Vision-Language Models with Modality Integration Rate [118.37653302885607]
  本稿では,LVLM(Large Vision Language Models)のマルチモーダル事前学習品質を示すために,MIR(Modality Integration Rate)を提案する。 MIRは、トレーニングデータ選択、トレーニング戦略スケジュール、モデルアーキテクチャ設計に重点を置いて、トレーニング前の結果を改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:04Z)
• Repurposing Foundation Model for Generalizable Medical Time Series Classification [16.21546283978257]
  FORMEDは、バックボーン基盤モデルを再利用して、目に見えないデータセット上で高度に一般化可能なMedTS分類を可能にするフレームワークである。 我々は,5種類のMedTSデータセットを用いて,11のタスク特化モデル (TSM) と4のタスク特化適応 (TSA) 手法のベンチマークを行った。 以上の結果から,F1スコア(ADFTDデータセット上で)を最大35%向上させることができた。
  論文  参考訳（メタデータ） (2024-10-03T23:50:04Z)
• Zero-shot Learning of Individualized Task Contrast Prediction from Resting-state Functional Connectomes [9.78824332635036]
  機械学習モデルを用いて、安静時機能MRI(sfMRI)スキャンを用いて、主観的なタスク誘発活動を予測することができる。 RSfMRIスキャンは比較的容易に収集できるが、十分なタスクfMRIスキャンを得ることは、より複雑な実験設計や手順を必要とするため、はるかに困難である。 グループ平均コントラストを利用して、新規タスクのゼロショット予測を可能にすることにより、この依存を低減できることを示す。
  論文  参考訳（メタデータ） (2023-10-21T20:12:22Z)
• IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
  クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。 提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-05T18:16:34Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer [3.0929226049096217]
  マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。 このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
  論文  参考訳（メタデータ） (2021-05-05T02:45:49Z)

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。