脳AIモデルの三次モーメントが認知能力を予測する新研究

最近、脳AIモデルに関する新しい研究が発表されたんですよ。この研究では、脳ファンデーションモデル（BFM）が認知能力を予測する際の精度が低い理由を詳しく分析しているんです。具体的には、BFMが「分散の配分問題」に直面しているってことがわかったんですよね。これって、脳の働きを理解するためにすごく重要な話なんです。

この研究によると、BFMは事前学習の段階で主成分、つまり低次の統計量を重視しすぎて、認知予測に必要な高次統計量、例えば三次モーメントを捨ててしまうんです。これが、BFMが認知能力を予測する精度が低い原因なんですよ。実際、研究者たちはこの問題を深く掘り下げて、BFMの設計がどのように影響しているのかを明らかにしたんです。

面白いのは、研究者たちが三次統計量を取り入れたシンプルなモデルを作ったところ、これが巨大なBFMよりも認知予測で優れていたってことなんです。この結果は、脳画像AIの設計を根本的に見直す必要があるってことを示唆しているんですよね。これまでの研究では、モデルのサイズや複雑さが重要視されてきたけど、実際にはそれだけじゃないってことがわかったんです。

BFMは、fMRIデータを使って事前学習された自己教師ありトランスフォーマーなんです。これらのモデルは、各被験者のfMRI信号から認知パフォーマンスを捉えることを目指しているんですが、実際には最新のBFMでも認知を予測する精度が低いんですよ。これは、脳の働きを理解するために新しいアプローチが必要だってことを示しています。

具体的には、BFMの出力は機能的接続行列（FC）からの線形回帰よりも認知を予測する精度が低いんです。しかも、このギャップはモデルの規模が大きくなるにつれて広がる傾向があるんですよ。例えば、BrainLMの6.5億パラメータモデルは、1.11億パラメータモデルよりも認知予測の精度が劣るんです。これって、モデルが大きくなればなるほど、逆に精度が落ちるっていう不思議な現象なんです。

研究者たちは、この問題を「分散配分問題」と名付けて、BFMがfMRIの支配的な分散成分を捉える一方で、認知を予測するために必要な高次構造を捉えられないことが原因だと考えているんです。実際、再構成された信号の分析によると、二次共分散は部分的に保存されているけど、三次共偏差テンソルは大部分が失われていることがわかったんですよ。これは、BFMが重要な情報を見逃している証拠なんです。

そこで、研究者たちは新しい方法を考案しました。fMRI信号を共偏差を最もよく保存する部分空間に投影して、そこでFCを計算する線形パイプラインを設計したんです。この方法は、テストしたすべてのデータセットで生のFCや事前学習されたBFMを上回る結果を出したんですよ。これって、今までのアプローチとは全く違う視点からの解決策なんです。

さらに、同じ部分空間をターゲットにした損失でファインチューニングすることで、BrainLMの順伝播における生のFCの上限を回復することにも成功したんです。これによって、ボトルネックが事前学習の目的にあることが示されたんですよ。アーキテクチャやモデルのサイズには問題がないってことがわかったんです。これからの研究では、どのようにして高次の統計量を取り入れるかが重要なテーマになりそうですね。

この研究は、脳や認知科学の研究におけるAIの使い方を再考させる重要な論文として、ニューロサイエンスや機械学習の両方の分野で広く議論されているんですよ。これからの研究がどう進展するのか、すごく楽しみですね。特に、今後はこの新しいアプローチを使って、より正確な認知能力の予測ができるようになるかもしれません。脳の働きについての理解が深まることで、医療や教育の分野でも新しい可能性が広がるんじゃないかと思います。