論文の概要: A Flow Matching Framework for Neural Representational Dissimilarity

• arxiv url: http://arxiv.org/abs/2609.31544v1
• Date: Fri, 25 Sep 2026 17:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.500544
• Title: A Flow Matching Framework for Neural Representational Dissimilarity
• Title（参考訳）: ニューラル表現の相似性のためのフローマッチングフレームワーク
• Abstract要約: 深部生成モデルで開発されたフローマッチングフレームワークにより,様々な距離のメトリクスを統一できることを示す。 フローマッチングは、複雑な分布と連続変数を含む距離を推定する利点がある。
• 参考スコア（独自算出の注目度）: 2.191505742658975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural representational dissimilarity quantifies differences between neural response distributions, and is essential for comparing neural codes across stimuli, brain areas, tasks, and models. Commonly used distance metrics involve different assumptions and are estimated with separate methods. Here, we show that a variety of distance metrics can be unified under a flow matching framework developed in deep generative models. That is, these distances arise as Jeffreys divergences under different velocity constraints. We find that flow matching has advantages for estimating distances involving complicated distributions and continuous variables. Furthermore, this framework enables the design of new distance metrics in a principled way. Together, flow matching provides a unified approach for understanding, estimating, and designing neural representational dissimilarity metrics.
• Abstract（参考訳）: 神経表現の相違は、神経反応の分布の違いを定量化し、刺激、脳領域、タスク、モデル間で神経コードを比較するのに不可欠である。 一般的に使用される距離測定は異なる仮定を伴い、別の方法で推定される。 そこで本研究では, 深部生成モデルで開発されたフローマッチングフレームワークの下で, 様々な距離測定値が統一可能であることを示す。 つまり、これらの距離は、ジェフリーズが異なる速度制約の下で発散するときに生じる。 フローマッチングは、複雑な分布と連続変数を含む距離を推定する利点がある。 さらに、このフレームワークは原則的に新しい距離メトリクスを設計することができる。 フローマッチングは、ニューラル表現の相似性メトリクスを理解し、推定し、設計するための統一的なアプローチを提供する。

関連論文リスト

• Modulating Cross-Modal Convergence with Single-Stimulus, Intra-Modal Dispersion [14.03787953022639]
  単一刺激レベルにおけるモーダル内表現収束を測定する手法を提案する。 このモード内分散は視覚モデルと言語モデルとのアライメントを強く調節することがわかった。
  論文  参考訳（メタデータ） (2026-04-23T16:27:04Z)
• 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)
• GeoMM: On Geodesic Perspective for Multi-modal Learning [55.41612200877861]
  本稿では,マルチモーダル学習における測地線距離を新しい距離測定基準として導入する。 我々のアプローチは、現在のマルチモーダル学習に測地距離を適用するための包括的な戦略を取り入れている。
  論文  参考訳（メタデータ） (2025-05-16T13:12:41Z)
• What Representational Similarity Measures Imply about Decodable Information [6.5879381737929945]
  我々は、デコーディングの観点から、いくつかのニューラルネットワーク類似度尺度が等価に動機付けられることを示した。 CKAやCCAといった手法は、デコードタスクの分散を通して最適な線形読み込み間の平均的なアライメントを定量化します。 全体として、我々の研究は、神経表現の幾何学と情報を線形に復号する能力の密接な関係を実証している。
  論文  参考訳（メタデータ） (2024-11-12T21:37:10Z)
• Soft Matching Distance: A metric on neural representations that captures single-neuron tuning [6.5714523708869566]
  ニューラル表現(dis)相似性の共通測度は、ニューラルアクティベーション空間の回転や反射に敏感であるように設計されている。 異なる大きさのネットワーク間の距離を測定するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-11-16T00:13:00Z)
• Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
  変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。 複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。 提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
  論文  参考訳（メタデータ） (2023-10-10T14:06:56Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)
• Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
  我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。 提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
  論文  参考訳（メタデータ） (2020-06-09T23:26:15Z)

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。