論文の概要: Vision Models Capture Complementary Representations in Children That Converge in Adults

• arxiv url: http://arxiv.org/abs/2610.16860v1
• Date: Mon, 12 Oct 2026 14:29:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:12:57.317502
• Title: Vision Models Capture Complementary Representations in Children That Converge in Adults
• Title（参考訳）: 成人に収束する小児の視覚モデルによる補足表現
• Abstract要約: 小児にはすでに有意なモデル脳アライメントが見られたが、発達後期には視覚のみのモデルがより強く一致した。 モデル脳アライメントの多くは、カテゴリの脳波表現と成人に向けて強化されたアニマシーを含む意味構造を反映している。 画像テキストの整列と視覚のみのモデルが視覚表現の発達の相補的な側面を捉えていることが示唆されている。
• 参考スコア（独自算出の注目度）: 4.584093054524222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How the relationship between image-text aligned and vision-only models changes across development remains unknown. We applied time-resolved representational similarity analysis to EEG data from 8-year-olds, 12-year-olds, and adults. CLIP showed significant model-brain alignment already in children, whereas vision-only models aligned more strongly later in development. Residual analyses revealed complementary structure, with CLIP retaining alignment beyond an architecture-matched vision-only model from age 8. Much of the model-brain alignment reflected semantic structure, with EEG representations of category and animacy strengthening toward adulthood, while alignment with low-level image properties remained weak across age. Together, these findings suggest that image-text aligned and vision-only models capture complementary aspects of developing visual representations and may provide useful constraints for AI systems that aim to learn and adapt over time.
• Abstract（参考訳）: 画像テキストアライメントと視覚のみのモデルとの関係は、開発全体を通してどのように変化するのかは不明だ。 8歳,12歳,成人の脳波データに時間分解表現類似性分析を適用した。 CLIPは、すでに小児において重要なモデル脳アライメントを示しており、視覚のみのモデルは、開発後期により強く整列した。 残像分析の結果,CLIPは8歳からアーキテクチャに適合した視覚のみのモデルを超えてアライメントを維持している。 モデル脳アライメントの多くは意味構造を反映し,脳波のカテゴリー表現とアダルト化に対するアニマシー表現が強くなり,低レベルの画像特性とのアライメントは年齢とともに弱く保たれた。 これらの結果は、画像テキストと視覚のみのモデルが視覚表現の開発において補完的な側面を捉え、時間とともに学習し適応することを目的としたAIシステムに有用な制約をもたらすことを示唆している。

関連論文リスト

• Benchmarking and Enhancing Text-to-Image Models for Generating Visual Representations in Early Arithmetic Education [57.241885377686486]
  本稿では,算術方程式から有意義な視覚を生成するタスクである方程式対視覚生成について紹介する。 E2V-Benchは、4つの台座を持つ視覚的タイプにまたがるベンチマークであり、視覚的正当性を評価するための自動指標である。 評価の結果,最近のテキスト・トゥ・イメージ(T2I)モデルでは誤りが頻繁に発生し,誤りは不正確なオブジェクト数と破壊的リレーショナル構造に支配されることがわかった。
  論文  参考訳（メタデータ） (2026-05-29T12:18:08Z)
• Visual Generation in the New Era: An Evolution from Atomic Mapping to Agentic World Modeling [183.5907213030813]
  我々は、この分野は外観合成を超えて知的視覚生成へと進むべきであると論じている。 本稿では, 原子生成, 条件生成, インコンテキスト生成, エージェント生成, 世界モデル生成という5段階の分類法を紹介する。 我々は、フローマッチング、統合された理解・生成モデル、視覚表現の改善、後トレーニング、報酬モデリング、データキュレーション、サンプリングアクセラレーションなど、主要な技術ドライバを解析する。
  論文  参考訳（メタデータ） (2026-04-30T17:59:02Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• Unsupervised Learning of Inter-Object Relationships via Group Homomorphism [3.8731899020772165]
  本研究では,グループ操作における階層的関係に基づく教師なし表現学習手法を提案する。 実験により,モデルが複数のオブジェクトを個別のスロットに分割できることを示す。 結果は、代数的幾何学的制約を導入することにより、物理的に解釈可能な「異方表現」が得られることを示唆している。
  論文  参考訳（メタデータ） (2026-04-22T07:17:00Z)
• CyCLeGen: Cycle-Consistent Layout Prediction and Image Generation in Vision Foundation Models [28.537814221925213]
  CyCLeGenは、イメージ理解と画像生成の両方が可能な統合視覚言語基盤モデルである。 我々は、CyCLeGenが様々な画像理解と生成ベンチマークで大きな利益を得ることを示す。
  論文  参考訳（メタデータ） (2026-03-16T08:14:16Z)
• Comparing Computational Pathology Foundation Models using Representational Similarity Analysis [0.6660458629649825]
  計算神経科学の手法を用いて、6つのCPath基礎モデルの表現空間を体系的に解析する。 UNI2 と Virchow2 は最も異なる表現構造を持つのに対し、Prov-Gigapath はモデル間の平均類似度が最も高い。
  論文  参考訳（メタデータ） (2025-09-18T23:01:13Z)
• Thinking with Generated Images [30.28526622443551]
  我々は,大規模マルチモーダルモデル(LMM)が視覚的推論にどのように関与するかを変換する,新しいパラダイムであるThinking with Generated Imagesを紹介する。 我々のアプローチは、AIモデルが人間の創造的、分析的、戦略的思考を特徴づける視覚的想像力や反復的な洗練に関わり得ることを可能にする。
  論文  参考訳（メタデータ） (2025-05-28T16:12:45Z)
• UniDiff: Advancing Vision-Language Models with Generative and Discriminative Learning [86.91893533388628]
  本稿では、画像テキストコントラスト学習(ITC)、テキスト条件付き画像合成学習(IS)、相互意味整合性モデリング(RSC)を統合した統合マルチモーダルモデルUniDiffを提案する。 UniDiffはマルチモーダル理解と生成タスクの両方において汎用性を示す。
  論文  参考訳（メタデータ） (2023-06-01T15:39:38Z)
• Perceptual Grouping in Contrastive Vision-Language Models [59.1542019031645]
  画像内の物体の位置を視覚言語モデルで理解し,画像の視覚的関連部分をグループ化する方法について述べる。 本稿では,意味情報と空間情報の両方を一意に学習するモデルとして,最小限の修正を提案する。
  論文  参考訳（メタデータ） (2022-10-18T17:01:35Z)

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。