論文の概要: Brain-Conditioned Action Policies for Neural Motor Decoding

• arxiv url: http://arxiv.org/abs/2609.34561v1
• Date: Mon, 28 Sep 2026 08:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:22:28.000169
• Title: Brain-Conditioned Action Policies for Neural Motor Decoding
• Title（参考訳）: ニューラルモータ復号のためのブレインコンディションアクションポリシー
• Abstract要約: 運動脳コンピュータインタフェース (Motor Brain-Computer Interface, BCI) は、運動意図をデコードすることを目的としており、麻痺患者が外部デバイスを制御できるようにする。 本稿では、事前訓練された視覚言語行動(VLA)モデルに基づいて、ニューラルモーターのデコードを可能にするフレームワークであるBrainVLAを提案する。 BrainVLAは、VLAポリシーを活用することで、少ないペアのニューラルアクションデータへの依存を緩和する。
• 参考スコア（独自算出の注目度）: 6.433806073705347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor brain-computer interfaces (BCIs) aim to decode motor intention, enabling people with paralysis to control external devices. Neural motor decoding typically learns task-specific mappings from neural activity to kinematics, yet remains constrained by scarce paired neural-action data. We propose BrainVLA, a framework that enables neural motor decoding by drawing on a pretrained vision-language-action (VLA) model through language-mediated alignment. BrainVLA mitigates reliance on scarce paired neural-action data by leveraging VLA policies. We first construct VLA-compatible datasets including paired neural activity, action signals, language instructions, and rendered visual observations. Then, we adapt the OpenVLA-OFT policy to the target action spaces through LoRA fine-tuning. To establish an effective interface through which neural activity can convey motor intention to adapted VLA policies and guide action generation, we train a neural encoder via neural-language alignment, using language representations as semantic targets to capture latent motor intent from neural activity. The resulting neural representations serve as an endogenous intention signal to guide VLA policies to generate executable actions, while visual observations provide complementary information about the evolving task state. BrainVLA is evaluated on two neural motor datasets with different action dimensionalities using causal rollout decoding. It outperforms the evaluated baselines in cross-session decoding $R^2$ and task success rate, while demonstrating high training data efficiency. These results establish a route for neural motor decoding to draw on large-scale robotic priors through brain-conditioned VLA policies.
• Abstract（参考訳）: 運動脳コンピュータインタフェース (Motor Brain-Computer Interface, BCI) は、運動意図をデコードすることを目的としており、麻痺患者が外部デバイスを制御できるようにする。 ニューラルモーター復号は通常、ニューラルアクティビティからキネマティックスへのタスク固有のマッピングを学習するが、ペアリングされたニューラルアクションの少ないデータによって制約される。 我々は、言語を介するアライメントを通して、事前訓練された視覚言語アクション(VLA)モデルに描画することで、ニューラルモーターのデコーディングを可能にするフレームワークであるBrainVLAを提案する。 BrainVLAは、VLAポリシーを活用することで、少ないペアのニューラルアクションデータへの依存を緩和する。 まず、ペア化されたニューラルアクティビティ、アクション信号、言語命令、レンダリングされた視覚的観察を含むVLA互換のデータセットを構築した。 次に,OpenVLA-OFTポリシーをLoRAファインタニングにより対象のアクション空間に適用する。 神経活動がVLAポリシーに適応した運動意図を伝達し、行動生成を誘導する効果的なインターフェースを確立するために、言語表現を意味的ターゲットとして、言語表現を用いてニューラルエンコーダを訓練し、ニューラルアクティビティから潜在運動意図を捉える。 結果として生じる神経表現は、VLAポリシーを誘導して実行可能なアクションを生成する内因性意図シグナルとして機能し、視覚的観察は進化するタスク状態に関する補完的な情報を提供する。 BrainVLAは、因果ロールアウトデコーディングを用いて、異なる動作次元を持つ2つのニューラルモーターデータセットで評価される。 高いトレーニングデータ効率を示しながら、クロスセッションデコーディングの$R^2$とタスク成功率で評価されたベースラインを上回ります。 これらの結果は、脳に条件付けされたVLAポリシーを通じて、大規模なロボットの先行性を引き出すための神経運動復号法を確立させる。

関連論文リスト

• NeuroPB: Scaling Neural Decoding with Pretrained Behavioral Representations [6.7277174737444065]
  我々は、事前訓練された行動表現から知識を伝達することで、神経復号をスケールするフレームワークであるNeuroPBを紹介する。 複数のマカク運動データセットを通して、行動事前訓練は軌道デコーディングを改善する。 その結果、神経復号のためのスケーラブルな情報源として行動事前学習が確立された。
  論文  参考訳（メタデータ） (2026-08-05T02:45:14Z)
• BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics [8.837573450847225]
  構造化脳グラフ上での連続時間ダイナミクスのためのせん断神経常微分方程式(neural ODE)モデルであるBrainDynを導入する。 BrainDynは、長期記憶(LSTM)モデルを使用して、各脳領域の最近の活動履歴をエンコードする。 結果の表現は、シリコ摂動予測を含む下流タスクをサポートする。
  論文  参考訳（メタデータ） (2026-05-19T04:03:01Z)
• From Heads to Neurons: Causal Attribution and Steering in Multi-Task Vision-Language Models [10.052877942432783]
  HONESは、視覚言語モデルにおけるタスク認識ニューロンの属性とステアリングのための勾配のないフレームワークである。 HONESは,タスククリティカルニューロンの同定において既存の手法よりも優れており,ステアリング後のモデル性能が向上していることを示す。
  論文  参考訳（メタデータ） (2026-04-20T08:21:06Z)
• Neuroprobe: Evaluating Intracranial Brain Responses to Naturalistic Stimuli [13.536940903353768]
  高解像度のニューラルデータセットは、次世代の脳-コンピュータインタフェースと神経学的治療の基礎モデルを可能にする。 Neuroprobeは、脳内のマルチモーダル言語処理を研究するためのデコードタスクのスイートである。 NeuroprobeはBrainTreebankのデータセット上に構築されており、10人の被験者から40時間のiEEG録音が自然主義映画視聴タスクを実行している。
  論文  参考訳（メタデータ） (2025-09-25T22:38:53Z)
• 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)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)
• Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference [68.8204255655161]
  本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。 我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
  論文  参考訳（メタデータ） (2021-04-19T09:41:31Z)
• Deep learning approaches for neural decoding: from CNNs to LSTMs and spikes to fMRI [2.0178765779788495]
  神経信号から直接の行動、知覚、認知状態の復号化は、脳-コンピュータインタフェースの研究に応用されている。 過去10年間で、ディープラーニングは多くの機械学習タスクにおいて最先端の手法になっている。 ディープラーニングは、幅広いタスクにわたるニューラルデコーディングの正確性と柔軟性を改善するための有用なツールであることが示されている。
  論文  参考訳（メタデータ） (2020-05-19T18:10:35Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。