Fugu-MT 論文翻訳(概要): Disentangling Spatial-Temporal Functional Brain Networks via Twin-Transformers

論文の概要: Disentangling Spatial-Temporal Functional Brain Networks via Twin-Transformers

arxiv url: http://arxiv.org/abs/2204.09225v1
Date: Wed, 20 Apr 2022 04:57:53 GMT
ステータス: 処理完了
システム内更新日: 2022-04-21 15:14:20.981655
Title: Disentangling Spatial-Temporal Functional Brain Networks via Twin-Transformers
Title（参考訳）: 双極子変換器による空間時間機能脳ネットワークの遠ざかる
Authors: Xiaowei Yu, Lu Zhang, Lin Zhao, Yanjun Lyu, Tianming Liu, Dajiang Zhu
Abstract要約: 機能的脳ネットワーク(BN)を識別し、特徴付ける方法は、脳組織アーキテクチャのメカニズムに関するシステムレベルの洞察を得るのに不可欠である。本研究では,空間空間と時間空間の両方において,共通かつ個々の機能的ネットワークを同時に推定する新しいツイン・トランスフォーマーフレームワークを提案する。
参考スコア（独自算出の注目度）: 12.137308815848717
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: How to identify and characterize functional brain networks (BN) is fundamental to gain system-level insights into the mechanisms of brain organizational architecture. Current functional magnetic resonance (fMRI) analysis highly relies on prior knowledge of specific patterns in either spatial (e.g., resting-state network) or temporal (e.g., task stimulus) domain. In addition, most approaches aim to find group-wise common functional networks, individual-specific functional networks have been rarely studied. In this work, we propose a novel Twin-Transformers framework to simultaneously infer common and individual functional networks in both spatial and temporal space, in a self-supervised manner. The first transformer takes space-divided information as input and generates spatial features, while the second transformer takes time-related information as input and outputs temporal features. The spatial and temporal features are further separated into common and individual ones via interactions (weights sharing) and constraints between the two transformers. We applied our TwinTransformers to Human Connectome Project (HCP) motor task-fMRI dataset and identified multiple common brain networks, including both task-related and resting-state networks (e.g., default mode network). Interestingly, we also successfully recovered a set of individual-specific networks that are not related to task stimulus and only exist at the individual level.
Abstract（参考訳）: 機能的脳ネットワーク(bn)の同定と特徴付けは、脳組織アーキテクチャのメカニズムに関するシステムレベルの洞察を得ることが基本である。現在の機能的磁気共鳴(fMRI)分析は、空間的(静止状態ネットワークなど)または時間的(タスク刺激など)領域における特定のパターンの事前知識に依存している。さらに、ほとんどのアプローチはグループ毎の共通機能ネットワークを見つけることを目的としており、個々の機能ネットワークの研究はほとんど行われていない。本研究では,空間空間と時間空間の両方において共通かつ個々の機能的ネットワークを同時に自己管理的に推定する新しいツイントランスフォーマーフレームワークを提案する。第1変圧器は、空間分割情報を入力として、空間特徴を生成し、第2変圧器は時間関連情報を入力として、時間的特徴を出力する。空間的および時間的特徴はさらに、相互作用(重みの共有)と2つのトランス間の制約によって、共通および個別に分離される。我々はTwinTransformersをHuman Connectome Project(HCP)の運動タスクfMRIデータセットに適用し、タスク関連ネットワークと安静状態ネットワーク(デフォルトモードネットワークなど)を含む複数の共通脳ネットワークを特定した。興味深いことに、タスク刺激とは関係なく、個々のレベルでのみ存在する個々のネットワークの集合を回収することに成功した。

関連論文リスト

Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-11-07T14:08:35Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
Volume-Preserving Transformers for Learning Time Series Data with Structure [0.0]
我々はトランスフォーマーにインスパイアされたニューラルネットワークを開発し、それを使って力学系を学習する。我々は,アテンション層の活性化関数を構造保存特性を持つ変圧器に置き換える。これは、ニューラルネットワークを剛体軌道の学習に応用する際の大きな利点である。
論文参考訳（メタデータ） (2023-12-18T13:09:55Z)
Seeing double with a multifunctional reservoir computer [0.0]
多機能生物学的ニューラルネットワークは、ネットワーク特性を変更することなく複数のタスクを実行するために、マルチスタビリティを利用する。本研究では, 貯水池コンピュータが, 相互に重なり合う場合のアトラクタの共存を再構築する方法について検討する。分岐解析は、RCがカオス状態に入ると多機能性がどのように出現し、破壊されるかを明らかにする。
論文参考訳（メタデータ） (2023-05-09T23:10:29Z)
Deeply-Coupled Convolution-Transformer with Spatial-temporal Complementary Learning for Video-based Person Re-identification [91.56939957189505]
本稿では,高性能ビデオベース Re-ID のための新しい時空間補完学習フレームワークである Deeply-Coupled Convolution-Transformer (DCCT) を提案する。私たちのフレームワークは、ほとんどの最先端のメソッドよりも優れたパフォーマンスを実現できます。
論文参考訳（メタデータ） (2023-04-27T12:16:44Z)
An intertwined neural network model for EEG classification in brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-04T09:00:34Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文参考訳（メタデータ） (2021-07-25T19:29:37Z)
Slow manifolds in recurrent networks encode working memory efficiently and robustly [0.0]
ワーキングメモリ(working memory)は、潜在情報の保存と操作を短時間で行う認知機能である。作業メモリのネットワークレベルメカニズムを調べるために,トップダウンモデリング手法を用いる。
論文参考訳（メタデータ） (2021-01-08T18:47:02Z)
Co-evolution of Functional Brain Network at Multiple Scales during Early Infancy [52.4179778122852]
乳児の2歳から2歳までの縦断的安静時機能的磁気共鳴画像データセットを応用した。収集した縦断的幼児データセットに提案手法の枠組みを適用して,脳機能ネットワークが異なるスケールで共進化していることを示す最初の証拠を提示した。
論文参考訳（メタデータ） (2020-09-15T07:21:04Z)
Detecting Dynamic Community Structure in Functional Brain Networks Across Individuals: A Multilayer Approach [12.923521418531655]
脳機能ネットワークのコミュニティ構造を特徴付けるための統一統計フレームワークを提案する。本稿では,多目的マルコフスイッチングブロックモデル(MSS-SBM)を提案する。
論文参考訳（メタデータ） (2020-04-09T04:23:26Z)

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。