:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lin, Yi-Chien, Schuler, William
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	https://arxiv.org/abs/2506.11338
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vectors from Larger Language Models Predict Human Reading Time and fMRI Data More Poorly when Dimensionality Expansion is Controlled
von: Lin, Yi-Chien, et al.
Veröffentlicht: (2025)

The Impact of Token Granularity on the Predictive Power of Language Model Surprisal
von: Oh, Byung-Doh, et al.
Veröffentlicht: (2024)

The Inverse Scaling Effect of Pre-Trained Language Model Surprisal Is Not Due to Data Leakage
von: Oh, Byung-Doh, et al.
Veröffentlicht: (2025)

Language Reconstruction with Brain Predictive Coding from fMRI Data
von: Yin, Congchi, et al.
Veröffentlicht: (2024)

fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding
von: Wei, Yuxiang, et al.
Veröffentlicht: (2025)

Surprising Efficacy of Fine-Tuned Transformers for Fact-Checking over Larger Language Models
von: Setty, Vinay
Veröffentlicht: (2024)

Decoding fMRI Data into Captions using Prefix Language Modeling
von: Shen, Vyacheslav, et al.
Veröffentlicht: (2025)

Frequency Explains the Inverse Correlation of Large Language Models' Size, Training Data Amount, and Surprisal's Fit to Reading Times
von: Oh, Byung-Doh, et al.
Veröffentlicht: (2024)

Modality-Agnostic fMRI Decoding of Vision and Language
von: Nikolaus, Mitja, et al.
Veröffentlicht: (2024)

Evidence from fMRI Supports a Two-Phase Abstraction Process in Language Models
von: Cheng, Emily, et al.
Veröffentlicht: (2024)

Do Large Language Models Think Like the Brain? Sentence-Level Evidences from Layer-Wise Embeddings and fMRI
von: Lei, Yu, et al.
Veröffentlicht: (2025)

Scaling laws for language encoding models in fMRI
von: Antonello, Richard, et al.
Veröffentlicht: (2023)

Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder
von: Wang, Yuejiao, et al.
Veröffentlicht: (2025)

Optimizing fMRI Data Acquisition for Decoding Natural Speech with Limited Participants
von: Jalouzot, Louis, et al.
Veröffentlicht: (2025)

EmoMind: Decoding Affective Captions from Human Brain fMRI
von: Mohammed, Bilal A., et al.
Veröffentlicht: (2026)

Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI
von: Styll, Patrick, et al.
Veröffentlicht: (2024)

Decoding the Echoes of Vision from fMRI: Memory Disentangling for Past Semantic Information
von: Xia, Runze, et al.
Veröffentlicht: (2024)

BP-GPT: Auditory Neural Decoding Using fMRI-prompted LLM
von: Chen, Xiaoyu, et al.
Veröffentlicht: (2025)

Open-vocabulary Auditory Neural Decoding Using fMRI-prompted LLM
von: Chen, Xiaoyu, et al.
Veröffentlicht: (2024)

BrainCodec: Neural fMRI codec for the decoding of cognitive brain states
von: Nishimura, Yuto, et al.
Veröffentlicht: (2024)

fMRI predictors based on language models of increasing complexity recover brain left lateralization
von: Bonnasse-Gahot, Laurent, et al.
Veröffentlicht: (2024)

Scaling Laws with Vocabulary: Larger Models Deserve Larger Vocabularies
von: Tao, Chaofan, et al.
Veröffentlicht: (2024)

BrainChat: Decoding Semantic Information from fMRI using Vision-language Pretrained Models
von: Huang, Wanaiu
Veröffentlicht: (2024)

Leading Whitespaces of Language Models' Subword Vocabulary Pose a Confound for Calculating Word Probabilities
von: Oh, Byung-Doh, et al.
Veröffentlicht: (2024)

Testing the Predictions of Surprisal Theory in 11 Languages
von: Wilcox, Ethan Gotlieb, et al.
Veröffentlicht: (2023)

Smaller Language Models are capable of selecting Instruction-Tuning Training Data for Larger Language Models
von: Mekala, Dheeraj, et al.
Veröffentlicht: (2024)

Fine-tuning language encoding models on slow fMRI improves prediction for fast ECoG
von: Vaidya, Aditya R., et al.
Veröffentlicht: (2026)

Clozing the Gap: Exploring Why Language Model Surprisal Outperforms Cloze Surprisal
von: Nair, Sathvik, et al.
Veröffentlicht: (2026)

Distill Not Only Data but Also Rewards: Can Smaller Language Models Surpass Larger Ones?
von: Zhang, Yudi, et al.
Veröffentlicht: (2025)

Linear Recency Bias During Training Improves Transformers' Fit to Reading Times
von: Clark, Christian, et al.
Veröffentlicht: (2024)

Estimating Brain Activity with High Spatial and Temporal Resolution using a Naturalistic MEG-fMRI Encoding Model
von: Jin, Beige Jerry, et al.
Veröffentlicht: (2025)

Omni-fMRI: A Universal Atlas-Free fMRI Foundation Model
von: Wang, Mo, et al.
Veröffentlicht: (2026)

The Frequency Confound in Language-Model Surprisal and Metaphor Novelty
von: Momen, Omar, et al.
Veröffentlicht: (2026)

Seamless Deception: Larger Language Models Are Better Knowledge Concealers
von: Ashok, Dhananjay, et al.
Veröffentlicht: (2026)

Surprise! Uniform Information Density Isn't the Whole Story: Predicting Surprisal Contours in Long-form Discourse
von: Tsipidi, Eleftheria, et al.
Veröffentlicht: (2024)

Language Models are Surprisingly Fragile to Drug Names in Biomedical Benchmarks
von: Gallifant, Jack, et al.
Veröffentlicht: (2024)

Confabulation: The Surprising Value of Large Language Model Hallucinations
von: Sui, Peiqi, et al.
Veröffentlicht: (2024)

Why Larger Language Models Do In-context Learning Differently?
von: Shi, Zhenmei, et al.
Veröffentlicht: (2024)

Small Language Models Fine-tuned to Coordinate Larger Language Models improve Complex Reasoning
von: Juneja, Gurusha, et al.
Veröffentlicht: (2023)

Contrastive Learning of Emoji-based Representations for Resource-Poor Languages
von: Choudhary, Nurendra, et al.
Veröffentlicht: (2018)