論文の概要: Analysis choices decide whether untrained networks beat trained ones at V1: a multiverse analysis of model-brain RSA
- arxiv url: http://arxiv.org/abs/2611.15533v1
- Date: Wed, 11 Nov 2026 14:18:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.169031
- Title: Analysis choices decide whether untrained networks beat trained ones at V1: a multiverse analysis of model-brain RSA
- Title(参考訳): モデル脳RSAのマルチバース解析による学習ネットワークがV1で学習ネットワークに勝つか否かの判断
- Abstract要約: 訓練されていない畳み込みネットワークは、視覚野のモデルとして、競合する訓練されたネットワークに報告されている。
THINGS fMRIにおけるV1のバックプロパゲーションに対するトレーニングなしネットワークのアドバンテージと評価解像度への依存性を報告した。
探索分析では、36種類の単位正規化、距離測度、ボクセル正規化の組み合わせで、V1コントラストの符号は分析に依存する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Untrained convolutional networks have been reported to rival trained networks as models of visual cortex, and we had reported an untrained-network advantage over backpropagation at V1 in THINGS fMRI, together with a dependence on evaluation resolution. Under a pre-specified ridge readout, the untrained network scored below the trained one at every pooling grid (median r difference -0.043 at g = 4, 0 of 5 seeds positive), and also in MSE skill and per-fold r. In exploratory analyses, across 36 combinations of unit normalisation, distance measure and voxel normalisation (28 distinct analyses), the sign of the V1 contrast depended on the analysis (intervals above 0 in 5 and below 0 in 9 distinct analyses), and in our networks the resolution dependence of the original convention appeared in only one cell. Raw correlation-distance representational similarity analysis (RSA) covaried with the alignment of model and voxel patterns with the unit-mean profile (Spearman 0.97 across our networks, 0.79 across six ImageNet architectures); the advantage was absent from the component orthogonal to the mean profile, and the parallel component alone did not resolve it. On the unweighted angular component of centred patterns, trained networks were ahead at V1 (our network and 5 of 6 ImageNet models) and at LOC (all seven); the norm-weighted angular term was not resolved. A luminance-and-contrast bank scored above every network under ridge (point estimates), and adding network features under a shared penalty did not improve prediction. Intervals are stimulus-bootstrap intervals for three subjects, and 6 pre-stated predictions were not met. We recommend reporting sensitivity to centring over the evaluated stimuli on both sides, reporting components separately, and including a small multiverse and simple baselines.
- Abstract(参考訳): 訓練されていない畳み込みネットワークは、視覚野のモデルとして訓練されたネットワークと競合することが報告されており、THINGS fMRIにおけるV1のバックプロパゲーションに対するトレーニングされていないネットワークのアドバンテージと評価解像度への依存性が報告されている。
プレ仕様のリッジ読み出しでは、トレーニング済みのネットワークは、トレーニング済みのネットワークを各プールグリッドで下方(中間r差-0.043:g = 4, 0:5種子陽性)、MSEスキルと1回r)で得点した。
探索分析では, 単位正規化, 距離測定, ボクセル正規化の36種類の組み合わせ(28の異なる解析)において, V1コントラストの符号は解析(5の0以上, 9の0以下)に依存し, 我々のネットワークでは, 元のコントラストの解像度依存性は1つのセルにのみ現れる。
モデルとボクセルパターンのアライメントを単位平均プロファイル(Spearman 0.97, 6つのImageNetアーキテクチャで0.79)と組み合わせたRAA (Raw correlation-Distance representational similarity Analysis) は,平均プロファイルに直交する成分は存在せず,並列成分だけでは解決しなかった。
中心パターンの非重みのない角成分では、トレーニングされたネットワークはV1(我々のネットワークと6つのImageNetモデルの5つ)とLOC(すべて7つ)に先んじており、標準重み付き角項は解決されなかった。
照度とコントラストのバンクは、尾根の下のすべてのネットワーク(点推定)で得点し、共有ペナルティの下でネットワーク機能を追加しても予測は改善しなかった。
インターバルは3名の被験者に対して刺激・ブートストラップ間隔であり,6名の事前予測は得られなかった。
評価された刺激に対する遠心感を両面に報告し,各成分を別々に報告し,多元的・単純なベースラインを小さく含めることを推奨する。
関連論文リスト
- Canonical Correlation Neural Networks [36.03842300750476]
下流タスクを解決するために,CANE(CAnonical correlation NEural Network)を導入する。
CANEは2ビューを相関部分空間に投影する古典的な手法であるCanonical correlation Analysis (CCA)を描いている。
CANEはシングルビュー,ツービュー,CAAベースのベースラインに適合し,パラメータが少ない場合が多い。
論文 参考訳(メタデータ) (2026-11-04T23:02:18Z) - Leakage-free evaluation of residual graph convolutional networks for network intrusion detection [0.7880536261408863]
この研究は、これらの楽観主義の源が取り除かれると、残差グラフ畳み込みネットワークがより単純なモデルよりも何を得るかを測定する。
フローはトレーニングフローのみから構築された最寄りのグラフにリンクされ、予測時に最も近いトレーニングフローに検証とテストフローがアタッチされた。
論文 参考訳(メタデータ) (2026-11-03T10:49:29Z) - Conditional Flow Matching for Cross-Field MRI Harmonisation [1.4152206863712093]
我々はMRIxFields2026チャレンジのためのクロスフィールド脳MRI変換について検討する。
ソースボリュームとターゲットボリュームは空間的に登録されているので,ソーススライスを直接ターゲットスライスに運ぶ速度場を学習する。
このマッピングを3つの被験者のみから学ぶために、統一モデルは3つの段階で訓練される。
論文 参考訳(メタデータ) (2026-09-01T09:18:26Z) - Evaluation Resolution Confounds Learning-Rule Comparisons in Model-Brain RSA of Early Visual Cortex [0.0]
この設定では、訓練されていない、あるいはローカルに訓練されていないネットワークが初期の視覚野で逆伝播に対抗または打ち勝つという共通の結果が、ネットワークが評価される解像度に強く依存していることが分かる。
4つの候補メカニズムがテストされ、その原因は、列車/楕円解像度マッチング、低レベルガボルとピクセル構造、訓練されていないベースラインの正規化状態、プールドディスクリプタのグローバルな明るさ統計への収束である。
論文 参考訳(メタデータ) (2026-08-11T15:50:58Z) - On the Neural Tangent Kernel Analysis of Randomly Pruned Neural Networks [91.3755431537592]
ニューラルネットワークのニューラルカーネル(NTK)に重みのランダムプルーニングが及ぼす影響について検討する。
特に、この研究は、完全に接続されたニューラルネットワークとそのランダムに切断されたバージョン間のNTKの等価性を確立する。
論文 参考訳(メタデータ) (2022-03-27T15:22:19Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳(メタデータ) (2021-12-15T09:50:25Z) - Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。
SGDは単純な解に偏りがあることが示される。
また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文 参考訳(メタデータ) (2021-11-03T15:14:20Z) - Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。
ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。
SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文 参考訳(メタデータ) (2021-05-16T09:13:56Z) - Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文 参考訳(メタデータ) (2021-02-20T23:26:58Z) - A Lightweight Neural Network for Monocular View Generation with
Occlusion Handling [46.74874316127603]
1枚の画像からビュー合成を行うステレオデータペアに基づいて訓練された,非常に軽量なニューラルネットワークアーキテクチャを提案する。
この作業は、挑戦的なKITTIデータセットにおいて、視覚的および計量的に最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-07-24T15:29:01Z)
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。