Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

The ISLab Solution to the Algonauts Challenge 2025: A Multimodal Deep Learning Approach to Brain Response Prediction

Created by
  • Haebom

作者

Andrea Corsico, Giorgia Rigamonti, Simone Zini, Luigi Celona,​​ Paolo Napoletano

概要

この研究では、複雑なマルチモーダル映画に対する脳の反応を予測するために、Schaefer AtlasのYeo 7ネットワーク分割を利用するネットワーク固有のアプローチを紹介します。脳を均一なシステムとして扱う代わりに、7つの機能ネットワークを4つのクラスターにグループ化し、各クラスターに対して別々の複数の被験者、多層パーセプトロン(MLP)モデルを訓練しました。このアーキテクチャは、クラスター固有の最適化と適応型メモリモデリングをサポートし、各モデルがターゲットネットワークの機能的役割に基づいて時間的ダイナミクスとモダリティの重みを調整できるようにします。このクラスタリング戦略は、Schaeferアトラスの1,000の皮質領域で予測精度を大幅に向上させることが示されています。最終モデルはAlgonauts Project 2025 Challengeで8位を占め、アウト・オブ・ディストリビューション(OOD)相関スコアは選択段階で使用されたベースラインモデルよりほぼ2倍高かった。

Takeaways、Limitations

Takeaways:
脳を均一に扱う代わりに、機能的ネットワーククラスタリングを活用して脳反応予測精度を向上させました。
クラスター固有の MLP モデルにより、各ネットワークの特性に合わせて時間的ダイナミクスとモダリティの重みを調整する適応型メモリ モデリングを実装しました。
Algonauts Project 2025 Challengeで高い順位を達成し、out-of-distributionのパフォーマンスを改善し、一般化能力を実証しました.
Limitations:
研究で使用されたデータセットとモデルの一般化の可能性をさらに検証する必要があります。
モデルの複雑さと計算コストの考慮が必要です。
異なる脳地図とネットワーク分割法の比較研究が必要です。
👍