論文の概要: Scaling Neural Motor Decoding via Decoupled Behavioral Pretraining

• arxiv url: http://arxiv.org/abs/2611.08263v1
• Date: Thu, 05 Nov 2026 16:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.580465
• Title: Scaling Neural Motor Decoding via Decoupled Behavioral Pretraining
• Title（参考訳）: 分離された動作事前学習による神経モータのデコーディングのスケーリング
• Abstract要約: BEEMOはフレキシブルなフレームワークで、ペア化されたニューラル・ビヘイビアな記録と、障害のない行動データとの任意の混合によるトレーニングを可能にする。 本稿では,非ペアな動作データの導入によりデコード性能が向上し,特に新しいタスクへの転送時の処理性能が向上することを示す。 さらに、行動のみの事前トレーニングは、神経予備トレーニングなしで、かなり大きなニューラルネットワークで事前トレーニングされたモデルに匹敵する性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 43.529773851859204
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent neural decoding approaches achieve strong performance by training on large collections of paired neural-behavioral recordings, but such datasets are expensive, invasive, and difficult to scale. In contrast, behavioral data is abundant and easy to collect, raising the question of whether neural decoding can benefit from decoupling behavioral and neural representation learning. We introduce BEEMO, a flexible multi-session framework that enables training with arbitrary mixtures of paired neural-behavioral recordings and unpaired behavioral data. A behavior decoder learns movement dynamics directly from behavioral trajectories, while neural activity is incorporated through cross-attention layers when available, allowing behavioral and neural supervision to scale independently. Across multiple intracortical motor datasets and tasks in nonhuman primates, we show that incorporating unpaired behavioral data improves decoding performance, particularly when transferring to new tasks, and that adding even a small amount of behavioral data from the target task further improves transfer. By decoupling neural and behavioral data, we unlock a new dimension for scaling: unpaired behavioral data, which is substantially cheaper and easier to collect than paired neural recordings, can be used directly to improve decoding performance. We further show that behavior-only pretraining, without any neural pretraining, achieves performance comparable to models pretrained on substantially larger neural datasets. Together, our results suggest that scaling behavioral data offers a practical and cost-effective path toward neural decoding models that generalize across subjects and tasks. Code is available at https://github.com/nerdslab/beemo.
• Abstract（参考訳）: 最近のニューラルデコードアプローチは、ペア化されたニューラルビヘイビア記録の大規模なコレクションをトレーニングすることで、高いパフォーマンスを達成するが、そのようなデータセットは高価で、侵襲的で、スケールが難しい。 対照的に、行動データは豊富で収集が容易であり、神経復号化が行動学習と神経表現学習の分離の恩恵を受けるかどうかという疑問を提起する。 BEEMOはフレキシブルなマルチセッションフレームワークで、ペアのニューラル・ビヘイビア・レコードと障害のない行動データとの任意の混合によるトレーニングを可能にする。 行動デコーダは行動軌跡から直接動きのダイナミクスを学習する一方、神経活動は利用可能なときに横断的な層を通して組み込まれ、行動と神経の監督は独立してスケールすることができる。 非ヒト霊長類における複数の皮質内運動データセットとタスクを網羅し、特に新しいタスクに移動する際に、不適切な行動データを導入することでデコード性能が向上し、ターゲットタスクから少量の行動データを追加することで、さらに転送が向上することを示した。 ペアリングされたニューラル記録よりもはるかに安価で、収集が容易な非ペアリング行動データは、デコード性能を改善するために直接使用できる。 さらに、行動のみの事前学習は、神経前訓練なしで、かなり大きなニューラルネットワークで事前訓練されたモデルに匹敵する性能を達成できることを示す。 その結果、行動データのスケーリングは、課題やタスクをまたいで一般化する神経復号モデルへの実用的で費用対効果の高い経路を提供することがわかった。 コードはhttps://github.com/nerdslab/beemo.comで入手できる。

関連論文リスト

• BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings [65.86350451382873]
  マルチリージョンニューラル記録における動物間移動の評価のためのベンチマークであるBrainWideBenchを提案する。 BrainWideBenchは、276の脳領域にまたがる神経と行動の記録の、国際脳研究所のBrainwide Mapデータセット上に構築されている。
  論文  参考訳（メタデータ） (2026-09-18T17:54:32Z)
• 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)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
  最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。 視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。 我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
  論文  参考訳（メタデータ） (2023-10-31T20:17:32Z)
• 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)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)

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。