Fugu-MT 論文翻訳(概要): The Platonic Brain: Representational Convergence in EEG Foundation Models

論文の概要: The Platonic Brain: Representational Convergence in EEG Foundation Models

arxiv url: http://arxiv.org/abs/2611.05097v1
Date: Tue, 03 Nov 2026 15:53:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-07 14:28:44.74948
Title: The Platonic Brain: Representational Convergence in EEG Foundation Models
Title（参考訳）: プラトン脳:脳波基礎モデルにおける表現的収束
Abstract要約: プラトン表現仮説(Platonic Representation hypothesis)は、人工知能のニューラルネットワークが、スケールと性能が増大するにつれて、共有表現に収束すると予測する。脳波基礎モデルを用いて、これらの予測が人間の脳の表現に当てはまるかどうかを検証する。以上の結果より,脳波モデルでは,局所的な類似性と大域的構造の両方において,配位関係が強いことが判明した。
参考スコア（独自算出の注目度）: 1.3810130040348885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The Platonic Representation Hypothesis (PRH) predicts that artificial neural networks converge on shared representations as scale and performance increase. We test whether these predictions hold for representations of the human brain with EEG foundation models. Using EEG recordings from six participants watching a television series, together with aligned visual and language content, we tested whether EEG foundation-model representations converge within and across modalities as their embeddings become better at decoding an informative set of EEG markers. We found that EEG models with greater decodability showed stronger cross-family alignment in both local neighbourhood similarity and global structure, not consistently increasing with model parameter count. Cross-modal convergence was modality and metric dependent: greater EEG decodability was associated with stronger global alignment to language, but not consistently to vision models, while local alignment showed no consistent association. This dissociation may reflect local sensitivity to low-level sensory features, whereas global geometry may capture weaker shared semantic structure.
Abstract（参考訳）: Platonic Representation hypothesis (PRH) は、人工ニューラルネットワークがスケールと性能の増加に伴って共有表現に収束することを予測している。脳波基礎モデルを用いて、これらの予測が人間の脳の表現に当てはまるかどうかを検証する。テレビシリーズを視聴する6人の参加者の脳波記録を用いて,脳波基礎モデル表現が脳波マーカーの情報集合の復号化に優れるにつれて,脳波基礎モデル表現がモダリティ内・多角的に収束するかどうかを検証した。脳波モデルでは, モデルパラメータ数の増加とともに, 局所的類似性と大域的構造の両方において, 配位関係が強いことが判明した。クロスモーダル収束は、モダリティとメートル法に依存していた: より大きなEEG陰性性は、言語に対するより強いグローバルアライメントと結びついたが、視覚モデルに一貫しては関係しなかったが、局所アライメントは、一貫した関連性は示さなかった。この解離は低レベルの感覚的特徴に対する局所的な感受性を反映しうるが、大域幾何学はより弱い共有意味構造を捉えうる。

関連論文リスト

Representation-Aligned Auxiliary Supervision for Language Model Adaptation [91.62292288058904]
チェスにおいて、モデルが構造化されたタスクの表現を処理する程度である表現の互換性について検討する。本稿では,環境依存型タスクを適合表現で表現し,構造ドメインへの適応性を向上させるための,表現整合型補助監視手法を提案する。
論文参考訳（メタデータ） (2026-10-02T22:04:12Z)
LEGAU: Learning Semantic Gaussian Priors for Scalable Category-level Pose Estimation [68.07049602984412]
単一のRGB-D観測によるカテゴリーレベルの6Dポーズ推定は本質的に非拘束である。我々は,NOCS対応,オブジェクトポーズ,サイズを共同で予測する統合フレームワークLEGAUを提案する。合成および実世界のベンチマーク実験により、この合成されたポーズ-形状の定式化が強い性能を発揮することが示された。
論文参考訳（メタデータ） (2026-09-28T12:42:19Z)
EEG-Xplain: Decoding Neural Black-Boxes of EEG Foundation Models [8.430851504111585]
BIOT、LaBraM、EEGMambaといったEEG基盤モデルは、神経信号の復号化において顕著な性能を発揮している。異種アーキテクチャ間でEEG基盤モデルを解釈するための統合属性フレームワークを提案する。
論文参考訳（メタデータ） (2026-09-14T14:56:07Z)
Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2026-04-18T10:50:46Z)
EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts [38.37966175378664]
マルチモーダル・ニューロテクノロジーのための新しいハイパーボリック・ミックス・オブ・カーベチュア・エキスパート・フレームワークであるEEG-MoCEを提案する。 EEG-MoCEは学習可能な曲率双曲空間の専門家に各モダリティを割り当て、固有の幾何学の適応的モデリングを可能にする。 EEG-MoCEは、感情認識、睡眠ステージング、認知評価など、最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-04-14T11:03:51Z)
Local Intrinsic Dimension of Representations Predicts Alignment and Generalization in AI Models and Human Brain [14.072972213206524]
近年の研究では、より強い一般化を持つニューラルネットワークは、互いに高い表現的アライメントを示す傾向があることが判明している。より強力な一般化モデルもまた、人間の神経活動とより強く一致していることを示す。これらの関係は、学習された表現の単一の幾何学的性質、すなわち埋め込みの局所内在次元によって説明できる。
論文参考訳（メタデータ） (2026-01-30T08:54:59Z)
Integrated representational signatures strengthen specificity in brains and models [8.045700364123645]
similarity Network Fusion (SNF) は、もともとマルチオミクスデータ統合のために開発されたフレームワークである。 SNFは、単一のメートル法よりもかなりシャープな地域レベルとモデル家族レベルの分離を生成する。 SNF由来の類似度スコアを用いた皮質領域のクラスタリングは、より明確な階層構造を示す。
論文参考訳（メタデータ） (2025-10-21T04:37:27Z)
WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
論文参考訳（メタデータ） (2025-09-26T06:21:51Z)
CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文参考訳（メタデータ） (2025-06-29T03:29:34Z)
CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-06-10T17:20:39Z)
From Local Cues to Global Percepts: Emergent Gestalt Organization in Self-Supervised Vision Models [7.7536110932446265]
我々は、現代の視覚モデルが類似した行動を示すかどうか、そしてこれらがどのような訓練条件で現れるかを検討する。 Masked Autoencoding (MAE) で訓練された視覚変換器 (ViT) はゲシュタルト法則と整合したアクティベーションパターンを示す。本研究では,局所的なテクスチャを保ちながら,地球規模の空間摂動に対する感受性を評価するためのディストーテッド空間関係テストベンチ(DiSRT)を紹介する。
論文参考訳（メタデータ） (2025-05-31T21:35:54Z)

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。