論文の概要: BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings

• arxiv url: http://arxiv.org/abs/2609.22064v1
• Date: Fri, 18 Sep 2026 17:54:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.230987
• Title: BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings
• Title（参考訳）: BrainWideBench:マルチリージョンニューラル記録における大規模事前学習と動物間移動のベンチマーク
• Abstract要約: マルチリージョンニューラル記録における動物間移動の評価のためのベンチマークであるBrainWideBenchを提案する。 BrainWideBenchは、276の脳領域にまたがる神経と行動の記録の、国際脳研究所のBrainwide Mapデータセット上に構築されている。
• 参考スコア（独自算出の注目度）: 65.86350451382873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in large-scale neural recording have made it possible to collect data across many animals and distributed brain regions, raising the question of whether this scale can be exploited to learn general-purpose neural representations transferable across diverse downstream tasks. Yet, progress toward this goal has been limited by fragmented evaluation protocols and a narrow focus on individual task domains. Here, we present BrainWideBench, a benchmark for evaluating across-animal transfer on multi-region neural recordings, built on the International Brain Laboratory Brainwide Map dataset of neural and behavioral recordings spanning 276 brain regions from 139 mice performing a sensory-guided decision-making task. The benchmark is organized around three complementary task suites that evaluate whether learned representations support downstream decoding of behavior, can predict masked or future neural activity, and can recover biologically meaningful anatomical organization. With this benchmark, we systematically evaluate pretraining methods across transfer settings, including finetuning on downstream objectives and zero-shot generalization to unseen animals. Our results confirm pretraining improves performance over matched single-session baselines, but we show current methods exhibit heterogeneity in transfer capabilities: gains depend strongly on the alignment between pretraining objectives and downstream tasks. No single approach performs uniformly well across all three suites, and most methods are designed to only address a subset of them. Together, these findings suggest that learning representations that jointly generalize across behavior, dynamics, and anatomy remains an open challenge. By providing a unified and reproducible evaluation suite, BrainWideBench establishes a framework for measuring progress toward general-purpose models of the mouse brain.
• Abstract（参考訳）: 大規模なニューラル記録の進歩により、多くの動物や分散脳領域にまたがるデータ収集が可能になった。 しかし、この目標に向けての進歩は、断片化された評価プロトコルと個々のタスクドメインに焦点を絞ることによって制限されている。 本稿では,139マウスから276個の脳領域にまたがる脳および行動記録のデータセット上に構築された,多領域神経記録の動物間移動を評価するベンチマークであるBrainWideBenchについて紹介する。 このベンチマークは、3つの補完的なタスクスイートで構成されており、学習された表現が下流での動作の復号化をサポートするかどうかを評価し、マスクや将来の神経活動を予測することができ、生物学的に意味のある解剖学的組織を回復することができる。 このベンチマークでは、下流の目的を微調整したり、目に見えない動物をゼロショットで一般化したりするなど、転送設定における事前学習手法を体系的に評価する。 提案手法は,事前学習目標と下流タスクとの整合性に強く依存するが,本手法は移動能力に不均一性を示す。 3つのスイートすべてで統一的に機能する単一のアプローチはなく、ほとんどのメソッドはそのサブセットにのみ対処するように設計されている。 これらの知見は、行動、力学、解剖学を共同で一般化する学習表現は、依然としてオープンな課題であることを示している。 BrainWideBenchは、統一的で再現可能な評価スイートを提供することで、マウス脳の汎用モデルに向けた進捗を測定するためのフレームワークを確立する。

関連論文リスト

• SeekBrain: An Autonomous Multi-Agent System for Accelerating Neuroscience Discovery [70.26731349963639]
  SeekBrainは、ドメイン基底の階層的計画とクロスモーダルデータ分析を通じて神経科学の発見を加速するように設計されたフレームワークである。 この体系化された専門知識とエージェント計画と実行エンジンを結合することにより、このフレームワークは需要に応じて仮説と分析パイプラインを確実に生成する。 これらの結果は、SeekBrainを、神経科学におけるデータ駆動的な発見を加速するためのスケーラブルで実用的なツールとして確立している。
  論文  参考訳（メタデータ） (2026-07-31T12:30:12Z)
• Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
  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。
  論文  参考訳（メタデータ） (2026-07-03T03:59:16Z)
• Neural Encoding and Decoding at Scale [42.33285735011587]
  NEDS(Neural and Decoding at Scale)を実現するマルチモーダルマルチタスクモデルを提案する。 私たちのアプローチの中心は、神経、行動、内部モダリティ、および相互モダリティマスキングを交互に交互に行う、新しいマルチタスクマスキング戦略です。 NEDSは、複数動物データに基づいて事前訓練された後、新しい動物に微調整された際に、符号化と復号の両方の最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-11T02:06:20Z)
• Towards a "universal translator" for neural dynamics at single-cell, single-spike resolution [10.49121904052395]
  我々は、複数の脳領域にまたがる多様なタスクを解決できる、神経スパイクデータのための最初の基礎モデルを構築する。 予測タスクには、単一ニューロンとリージョンレベルのアクティビティ予測、前方予測、行動復号化などがある。
  論文  参考訳（メタデータ） (2024-07-19T21:05:28Z)
• 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)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
  我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。 我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
  論文  参考訳（メタデータ） (2021-11-25T13:24:19Z)

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。