論文の概要: On a Geometry of Interbrain Networks

• arxiv url: http://arxiv.org/abs/2509.10650v1
• Date: Fri, 12 Sep 2025 19:26:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.71094
• Title: On a Geometry of Interbrain Networks
• Title（参考訳）: インターブレインネットワークの幾何学について
• Authors: Nicolás Hinrichs, Noah Guzmán, Melanie Weber,
• Abstract要約: 本稿では,社会交流における神経相互作用の動的再構成を検討するために,離散幾何学を活用することを提案する。 従来の同期手法とは異なり、ニューラルネットワークの進化的幾何学的構造を通じて脳間接続の変化を解釈する。
• 参考スコア（独自算出の注目度）: 5.645823801022895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective analysis in neuroscience benefits significantly from robust conceptual frameworks. Traditional metrics of interbrain synchrony in social neuroscience typically depend on fixed, correlation-based approaches, restricting their explanatory capacity to descriptive observations. Inspired by the successful integration of geometric insights in network science, we propose leveraging discrete geometry to examine the dynamic reconfigurations in neural interactions during social exchanges. Unlike conventional synchrony approaches, our method interprets inter-brain connectivity changes through the evolving geometric structures of neural networks. This geometric framework is realized through a pipeline that identifies critical transitions in network connectivity using entropy metrics derived from curvature distributions. By doing so, we significantly enhance the capacity of hyperscanning methodologies to uncover underlying neural mechanisms in interactive social behavior.
• Abstract（参考訳）: 神経科学の効果的な分析は、堅牢な概念的枠組みから大きな恩恵を受ける。 社会神経科学におけるインターブレイン同期の伝統的な指標は、通常、固定された相関に基づくアプローチに依存し、説明能力は説明的な観察に制限される。 ネットワーク科学における幾何学的洞察の統合の成功に触発されて,社会交流における神経相互作用の動的再構成を検討するために,離散幾何学を活用することを提案する。 従来の同期手法とは異なり、ニューラルネットワークの進化的幾何学的構造を通じて脳間接続の変化を解釈する。 この幾何学的枠組みは、曲率分布から導かれるエントロピー指標を用いて、ネットワーク接続における臨界遷移を識別するパイプラインを通じて実現される。 そこで我々は,対話型社会的行動の基盤となる神経機構を明らかにするために,ハイパースキャン手法の能力を大幅に向上させる。

関連論文リスト

• SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
  ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。 現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。 本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
  論文  参考訳（メタデータ） (2025-04-26T10:05:04Z)
• Scalable Geometric Learning with Correlation-Based Functional Brain Networks [0.0]
  相関行列は神経画像における機能的脳ネットワークの中心的な表現である。 伝統的な分析はユークリッド環境では、しばしば対の相互作用を独立に扱う。 本稿では、ユークリッド空間に相関行列を埋め込む新しい幾何学的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-31T01:35:50Z)
• Dynamic neuron approach to deep neural networks: Decoupling neurons for renormalization group analysis [1.9662978733004601]
  我々は、ニューロンを相互作用の自由度として扱い、構造を単純化し、ディープニューラルネットワーク内の相互作用の直感的な理解を強化する。 翻訳対称性と再正規化群変換を利用することで、臨界現象を解析できる。
  論文  参考訳（メタデータ） (2024-10-01T04:39:04Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
  本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。 本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。 学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-16T17:59:06Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。