論文の概要: When Model Complexity Matters in Cross-Subject Naturalistic fMRI Prediction

• arxiv url: http://arxiv.org/abs/2611.04041v1
• Date: Mon, 02 Nov 2026 22:36:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:56:03.232261
• Title: When Model Complexity Matters in Cross-Subject Naturalistic fMRI Prediction
• Title（参考訳）: クロスオブジェクト自然主義的fMRI予測におけるモデル複雑度の重要性
• Abstract要約: 複雑な神経モデルの増加は、自然主義的な刺激に対する血液酸素レベル依存(BOLD)反応を予測する。 HCPフィルムfMRI(154名)、BOLD Moments(10名)、Algonauts 2025名(4名)の線形診断基準と非線形予測器の比較を行った。 事前制約された視覚的特徴は、一般的に生のピクセルの予測を改善するが、線形自己回帰では、この利点はより長いロールアウト予測よりも顕著になる。 被験者間の局所的な応答一貫性は、保持された予測精度と関連付けられ、一方、一貫性の低い領域は、測定された歴史からより多くを得る傾向にある。
• 参考スコア（独自算出の注目度）: 20.673168728815018
• License:
• Abstract: Increasingly complex neural models predict blood-oxygen-level-dependent (BOLD) responses to naturalistic stimuli, but the predictive value of this added complexity remains unclear. We ask when pretrained stimulus representations help and how much downstream complexity is needed, with and without recent measured BOLD history. We compare linear diagnostic references and nonlinear predictors across HCP movie fMRI (154 subjects), BOLD Moments (10 subjects), and Algonauts 2025 (4 subjects). Under a shared offline protocol, models are fitted on training subjects and evaluated on held-out subjects viewing largely familiar stimuli, without refitting. Pretrained visual features generally improve prediction over raw pixels; for linear autoregression, this advantage becomes more pronounced over longer rollouts (recursive predictions without additional measured BOLD). Measured BOLD history provides substantial gains that generally diminish {as rollouts lengthen}. Nonlinear stimulus-only predictors can improve on linear readouts, whereas linear autoregression provides a strong history-conditioned baseline. Controls examine context length, regularization, fitting procedures, and model capacity. Regional response consistency across subjects is associated with held-out prediction accuracy, while less consistent regions tend to gain more from measured history. In paired simulations with fixed linear neural dynamics, slower hemodynamic responses generally sustain high temporal prediction correlations over longer rollouts, illustrating how the observation process can contribute to predictive persistence. Together, these findings support evaluating stimulus representations and downstream complexity separately, using history-conditioned linear prediction as a diagnostic reference under matched inputs and measurement availability.
• Abstract（参考訳）: 複雑な神経モデルの増加は、自然主義的な刺激に対する血液酸素レベル依存(BOLD)反応を予測するが、この付加された複雑さの予測値は未だ不明である。 プレトレーニングされた刺激表現が、最近測定されたBOLD履歴の有無にかかわらず、どれだけ下流の複雑さが必要なのかを問う。 HCPフィルムfMRI(154例)、BOLD Moments(10例)、Algonauts 2025例(4例)を比較した。 共有オフラインプロトコルでは、モデルはトレーニング対象に適合し、ほとんど慣れ親しんだ刺激を再現することなく、保持された被験者に評価される。 事前制約された視覚的特徴は、通常、生のピクセルよりも予測を改善するが、線形自己回帰では、この利点はより長いロールアウトよりも顕著になる(追加測定されたBOLDを持たない再帰的な予測)。 測定されたBOLD履歴は、通常 {as rollouts lengthen} を減少させる相当な利得を提供する。 非線形刺激のみの予測器は線形リードアウトを改善することができるが、線形自己回帰は強い履歴条件付きベースラインを提供する。 制御は、コンテキストの長さ、規則化、適合手順、モデル容量を調べる。 被験者間の局所的な応答一貫性は、保持された予測精度と関連付けられ、一方、一貫性の低い領域は、測定された歴史からより多くを得る傾向にある。 固定線形神経力学を用いたペアシミュレーションでは、血行動態の遅い応答は、一般に長いロールアウトよりも高い時間的予測相関を保ち、観察過程が予測的持続性にどのように寄与するかを説明する。 これらの知見は、履歴条件付き線形予測を一致した入力と測定可能な測定基準として用いて、刺激表現と下流の複雑さを別々に評価することを支援する。

関連論文リスト

• Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction [0.0]
  縦処理応答データにおける時系列因果推論のための因果関係ネットワーク(CausalLongPFN)を提案する。 CausalLongPFNは、長手処理応答データとゼロショットインコンテキストの対実結果予測において、時系列因果推論に予め適合したネットワークである。 筆者らは,MIMIC-III ICUトラジェクトリにおいて,枝状癌,HIV,ワーファリンのベンチマークを地中事実ラベルを用いて評価し,実物のみの転がりオリジン予測を行った。
  論文  参考訳（メタデータ） (2026-06-04T07:26:40Z)
• Global Interpretability via Automated Preprocessing: A Framework Inspired by Psychiatric Questionnaires [1.8275108630751837]
  精神科のアンケートは非常に文脈に敏感である。 フレキシブルな非線形モデルでは 予測精度が向上します 限定的な解釈は 臨床的信頼を損なう可能性がある REFINEは他の解釈可能なアプローチより優れている。
  論文  参考訳（メタデータ） (2026-02-26T19:23:20Z)
• Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
  ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。 HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。 ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。 どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
  論文  参考訳（メタデータ） (2025-10-27T00:04:17Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• In-Context Linear Regression Demystified: Training Dynamics and Mechanistic Interpretability of Multi-Head Softmax Attention [52.159541540613915]
  本研究では,マルチヘッド型ソフトマックスアテンションモデルを用いて,線形データを用いたコンテキスト内学習を行う方法について検討する。 この結果から,学習内容の学習能力は,そのアーキテクチャと基礎となるデータ分布の集約的効果として,訓練されたトランスフォーマーから出現することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-17T02:00:49Z)
• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Interpretable Additive Recurrent Neural Networks For Multivariate Clinical Time Series [4.125698836261585]
  本稿では,モデル内の変数間の関係を加法的に強制することで,モデルの複雑性と精度のバランスをとるInterpretable-RNN(I-RNN)を提案する。 I-RNNは、時間内に不均一にサンプリングされ、非同期に取得され、データが欠落している臨床時系列の特徴を特に捉えている。 本研究は,院内死亡率予測のためのPhysoronet 2012 ChallengeデータセットのI-RNNモデルと,集中治療室における血行動態の介入を予測するリアルな臨床診断支援タスクについて評価する。
  論文  参考訳（メタデータ） (2021-09-15T22:30:19Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。