Neues Verfahren rekonstruiert Gesten aus fMRI-Signalen – Duale Gehirn-Decodierung Wissenschaftler haben ein innovatives Verfahren namens fMRI2GES entwickelt, das es ermöglicht, Gesten, die mit gesprochenen Stimuli verbunden sind, direkt aus fMRI-Aufnahmen zu rekonstruieren. Das neue System nutzt eine Duale Gehirn-Decodierung, um die fehlenden gepaarten Daten zwischen Gehirn, Sprache und Gesten zu kompensieren. arXiv – cs.AI 02.12.2025 05:00
Audio-Modelle mit stärkerem Gehirn-Alignment liefern bessere Hörleistung In einer aktuellen Studie wurde gezeigt, dass die Leistungssteigerung von künstlichen neuronalen Netzwerken (ANNs) im Audiobereich gleichzeitig zu einer stärkeren Übereinstimmung ihrer internen Repräsentationen mit Gehirnsignalen führt. Die Forscher untersuchten 36 verschiedene Audio‑Modelle und verglichen deren Aktivitätsmuster mit fMRI‑Daten aus zwei unabhängigen Datensätzen. arXiv – cs.LG 24.11.2025 05:00
Brain‑Tuning verbessert Intelligenz: Modelle ausrichten STS beim Friends Neueste Untersuchungen zu Audio‑Modellen haben gezeigt, dass das sogenannte Brain‑Tuning – also das Feintuning von Modellen, um die zugehörige fMRI‑Aktivität besser vorherzusagen – die Ausrichtung des Gehirns verbessert und die Leistung bei nachgelagerten semantischen und audiovisuellen Aufgaben steigert. In dieser Studie wurde dieser Ansatz auf ein multimodales Audio‑Video‑Modell ausgeweitet, um die soziale Kognition zu fördern. arXiv – cs.AI 12.11.2025 05:00
KI-Modelle zeigen menschenähnliche Bildrepräsentationen – Größe Training Bildtyp Eine neue Studie aus dem Labor von ArXiv hat gezeigt, dass selbstüberwachte Vision‑Transformer, die mit unterschiedlichen Modellgrößen, Trainingslängen und Bildtypen trainiert wurden, zunehmend neuronale Muster entwickeln, die denen des menschlichen Gehirns ähneln. Durch den Einsatz von DINOv3‑Modellen konnte die Forschung die Einflüsse dieser drei Faktoren systematisch voneinander trennen. arXiv – cs.AI 26.08.2025 05:00
Neues Dual‑Attention Graph Network verbessert fMRI‑Klassifikation bei Autismus Ein neues Forschungsframework aus dem Bereich der Neurowissenschaften nutzt dynamische Graphen und spatio‑temporale Aufmerksamkeitsmechanismen, um die Klassifikation von funktionellen Magnetresonanztomographie‑Daten (fMRI) zu optimieren. Durch die Kombination von Transformer‑basierten Attention‑Modulen und Graph Convolutional Networks (GCN) kann das Modell die sich ständig ändernde funktionelle Konnektivität des Gehirns in jedem Zeitschritt exakt erfassen. arXiv – cs.LG 20.08.2025 05:00
Neues BRIEF-Modell verbessert fMRI-basierte Krankheitsklassifikation Ein neues Forschungsdokument, veröffentlicht auf arXiv, stellt das BRIEF‑Framework vor, das die Klassifikation von psychischen Erkrankungen mittels funktioneller Magnetresonanztomographie (fMRI) deutlich verbessert. arXiv – cs.LG 19.08.2025 05:00
SynBrain verbessert fMRI‑Synthese aus visuellen Stimuli mit probabilistischem Lernen Die Umwandlung von Bildreizen in Hirnaktivität ist ein zentrales Problem der Computational Neuroscience. Dabei erzeugt dieselbe visuelle Eingabe bei verschiedenen Versuchen, Kontexten und Probanden unterschiedliche fMRI‑Signale – ein klassisches One‑to‑Many‑Problem. Traditionelle deterministische Modelle können diese biologische Variabilität nicht gleichzeitig erfassen und die zugrunde liegende funktionelle Konsistenz, die die Repräsentation des Stimulus trägt, vernachlässigen. arXiv – cs.LG 15.08.2025 05:00
