論文の概要: Cognitive Expert Language Models Better Align with the Corresponding Brain Systems
- arxiv url: http://arxiv.org/abs/2609.36239v1
- Date: Mon, 28 Sep 2026 20:34:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.004635
- Title: Cognitive Expert Language Models Better Align with the Corresponding Brain Systems
- Title（参考訳）: 認知エキスパート言語モデルと対応脳システムとの整合性
- Abstract要約: 大型言語モデル(LLM)は、自然言語理解中に様々な脳領域で人間の脳活動を予測することができる。
このワンモデル適合アプローチは、脳領域の機能的特殊化を無視している。
本研究では、特定の認知領域を指向するモデルが、その領域に特有な脳システムとよく一致しているかどうかを評価する。
- 参考スコア（独自算出の注目度）: 2.5453714298648826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) can predict human brain activity across a variety of brain regions during natural language comprehension. Typically, however, LLM-brain alignment is measured using one model for different regions of the brain, and then model performance is summarized across regions. This one-model-fits-all approach ignores the functional specialization of brain regions. In this study, we assess whether a model oriented toward a particular cognitive domain aligns better with the brain system dedicated to that domain. Through prompting and fine-tuning, we first build expert LLM variants for six domains: sensory, spatial, numerical, reasoning, social, and abstract processing. We then examine whether each expert best predicts activity in the brain region associated with the corresponding cognitive domain. Consistent with our hypotheses, each expert's representations align more closely with the brain system most associated with the matching domain than do other experts. This holds under both prompting and fine-tuning, across three base models and three fMRI datasets. In a series of control analyses, we show that this model-brain alignment is specific to cognitive domain interventions; non-cognitive and surface-level interventions do not result in comparable alignment. Specializing models shifts regional alignment while leaving aggregate prediction accuracy largely unchanged, suggesting that summarizing alignment across regions may obscure regional differences in performance for specific models.
- Abstract（参考訳）: 大型言語モデル(LLM)は、自然言語理解中に様々な脳領域で人間の脳活動を予測することができる。
しかし、通常、LLM-脳アライメントは脳の異なる領域の1つのモデルを用いて測定され、その後、各領域でモデル性能が要約される。
このワンモデル適合アプローチは、脳領域の機能的特殊化を無視している。
本研究では、特定の認知領域を指向するモデルが、その領域に特有な脳システムとよく一致しているかどうかを評価する。
まず,感覚,空間,数値,推論,社会,抽象処理の6分野について,専門家によるLSM変種を構築した。
次に、各専門家が対応する認知領域に関連する脳領域の活動を最もよく予測するかどうかを検討する。
仮説に従えば、各専門家の表現は他の専門家よりも、マッチングドメインに最も関連する脳システムとより密接に一致します。
これは3つのベースモデルと3つのfMRIデータセットにまたがって、プロンプトと微調整の両方で保持される。
一連の制御分析において、このモデル脳アライメントは認知領域の介入に特有であり、非認知的および表面レベルの介入は同等のアライメントを生じないことを示す。
特化モデルは、集約予測精度をほとんど変わらないままに領域のアライメントをシフトさせるため、特定のモデルのパフォーマンスにおいて、地域間でのアライメントを要約することは明らかである。
関連論文リスト
- Brain alignment of reasoning and action representations from vision-language and action models during naturalistic gameplay [40.44107959566121]
fMRI記録を用いた2つの基礎モデル群からの代表モデルの脳内アライメントについて検討した。
視覚言語モデル (VLM) と大動作モデル (LAM) の両方で, ボクセルエンコーディング性能が著しく向上していることが判明した。
論文 参考訳（メタデータ） (2026-05-19T04:40:14Z) - ACE-Brain-0: Spatial Intelligence as a Shared Scaffold for Universal Embodiments [134.95780765985515]
本稿では,空間推論,自律運転,体操を統一する一般基礎脳であるACE-Brain-0を紹介する。
我々の重要な洞察は、空間的知性は様々な物理的具体化の普遍的な足場として機能するということである。
そこで我々は,まず共有空間基盤を確立し,次にドメイン特化専門家を育成し,最後にデータフリーモデルマージにより調和させるScaffold-specize-Reconcile(SSR)パラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-03T17:53:45Z) - A Unified Geometric Space Bridging AI Models and the Human Brain [24.54324712609098]
現代の人工ニューラルネットワークは、言語、知覚、推論において人間と競合している。
これらの人工システムが脳のように情報を整理するかどうかは、いまだに不明である。
ここでは、Brain-like Spaceという画期的な概念を紹介します。
論文 参考訳（メタデータ） (2025-10-28T12:09:23Z) - Mixture of Cognitive Reasoners: Modular Reasoning with Brain-Like Specialization [23.335522323992063]
Mixture of Cognitive Reasoners (MiCRo)は、専門家間で機能的な特殊化を誘導するモジュラーアーキテクチャである。
MiCRoは、標準言語モデルよりも3つの大きなアドバンテージを提供する。
論文 参考訳（メタデータ） (2025-06-16T10:21:54Z) - Generative causal testing to bridge data-driven models and scientific theories in language neuroscience [82.995061475971]
脳における言語選択性の簡潔な説明を生成するためのフレームワークである生成因果テスト(GCT)を提案する。
GCTは機能的選択性に類似した脳領域の細粒度の違いを識別できることを示す。
論文 参考訳（メタデータ） (2024-10-01T15:57:48Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Du-IN: Discrete units-guided mask modeling for decoding speech from Intracranial Neural signals [5.283718601431859]
エレクトロコルチコグラフィー(ECoG)を用いた脳-コンピュータインタフェースは,医療応用における高性能音声復号化を約束している。
離散コーデックス誘導マスクモデリングにより,領域レベルのトークンに基づくコンテキスト埋め込みを抽出するDu-INモデルを開発した。
本モデルでは,61ワードの分類タスクにおいて,すべてのベースラインを越えながら最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-05-19T06:00:36Z) - Unveiling A Core Linguistic Region in Large Language Models [49.860260050718516]
本稿では,脳局在化をプロトタイプとして用いた類似研究を行う。
我々は、言語能力に対応する大規模言語モデルにおいて、中核領域を発見した。
我々は,言語能力の向上が必ずしもモデルの知識レベルの向上に伴わないことを観察する。
論文 参考訳（メタデータ） (2023-10-23T13:31:32Z) - Identifying Shared Decodable Concepts in the Human Brain Using
Image-Language Foundation Models [2.213723689024101]
高品質な事前学習型マルチモーダル表現を利用して、人間の脳内のきめ細かいセマンティックネットワークを探索する手法を提案する。
このような脳の領域を特定するために,我々は,大規模な機能的磁気共鳴画像(fMRI)データセットからデオード可能な視覚概念を明らかにするために,データ駆動型アプローチを開発した。
論文 参考訳（メタデータ） (2023-06-06T03:29:47Z) - Information-Restricted Neural Language Models Reveal Different Brain
Regions' Sensitivity to Semantics, Syntax and Context [87.31930367845125]
テキストコーパスを用いて語彙言語モデルGloveと超語彙言語モデルGPT-2を訓練した。
そして、これらの情報制限されたモデルが、自然主義的テキストを聴く人間のfMRI信号の時間軸を予測することができるかを評価した。
分析の結果、言語に関わるほとんどの脳領域は、構文変数と意味変数の両方に敏感であるが、これらの影響の相対的な大きさは、これらの領域で大きく異なることがわかった。
論文 参考訳（メタデータ） (2023-02-28T08:16:18Z) - Model-based analysis of brain activity reveals the hierarchy of language
in 305 subjects [82.81964713263483]
言語の神経基盤を分解する一般的なアプローチは、個人間で異なる刺激に対する脳の反応を関連付けている。
そこで本研究では,自然刺激に曝露された被験者に対して,モデルに基づくアプローチが等価な結果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-12T15:30:21Z)
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。