論文の概要: Prediction and Causality of functional MRI and synthetic signal using a Zero-Shot Time-Series Foundation Model

• arxiv url: http://arxiv.org/abs/2509.12497v1
• Date: Mon, 15 Sep 2025 22:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.797848
• Title: Prediction and Causality of functional MRI and synthetic signal using a Zero-Shot Time-Series Foundation Model
• Title（参考訳）: ゼロショット時間系列基礎モデルを用いた機能的MRIと合成信号の予測と因果性
• Authors: Alessandro Crimi, Andrea Brovelli,
• Abstract要約: ヒトのfMRIで測定した脳活動から方向的相互作用を推定するための古典的手法に対する基礎モデルを評価する。 ゼロショットと微調整の両方で基礎モデルの予測能力を検証し,モデルからのグランガー様推定と標準グランガー因果度を比較して因果性を評価する。
• 参考スコア（独自算出の注目度）: 46.186152268413025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series forecasting and causal discovery are central in neuroscience, as predicting brain activity and identifying causal relationships between neural populations and circuits can shed light on the mechanisms underlying cognition and disease. With the rise of foundation models, an open question is how they compare to traditional methods for brain signal forecasting and causality analysis, and whether they can be applied in a zero-shot setting. In this work, we evaluate a foundation model against classical methods for inferring directional interactions from spontaneous brain activity measured with functional magnetic resonance imaging (fMRI) in humans. Traditional approaches often rely on Wiener-Granger causality. We tested the forecasting ability of the foundation model in both zero-shot and fine-tuned settings, and assessed causality by comparing Granger-like estimates from the model with standard Granger causality. We validated the approach using synthetic time series generated from ground-truth causal models, including logistic map coupling and Ornstein-Uhlenbeck processes. The foundation model achieved competitive zero-shot forecasting fMRI time series (mean absolute percentage error of 0.55 in controls and 0.27 in patients). Although standard Granger causality did not show clear quantitative differences between models, the foundation model provided a more precise detection of causal interactions. Overall, these findings suggest that foundation models offer versatility, strong zero-shot performance, and potential utility for forecasting and causal discovery in time-series data.
• Abstract（参考訳）: 時系列の予測と因果発見は神経科学の中心であり、脳活動の予測と神経集団と回路間の因果関係の同定は認知と疾患のメカニズムに光を当てることができる。 基礎モデルの台頭とともに、脳信号の予測と因果解析の従来の方法とどのように比較し、ゼロショット環境で適用できるのかという疑問が開かれた。 本研究では,ヒトのfMRIを用いた脳活動から方向的相互作用を推定するための古典的手法に対する基礎的モデルを評価する。 伝統的なアプローチは、しばしばウィーナー=グランガー因果関係に依存する。 ゼロショットと微調整の両方で基礎モデルの予測能力を検証し,モデルからのグランガー様推定と標準グランガー因果度を比較して因果性を評価する。 我々は,ロジスティックマップ結合やオルンシュタイン-ウレンベック過程を含む,地中構造因果モデルから生成した合成時系列を用いたアプローチの有効性を検証した。 基礎モデルは、競争力のあるゼロショット予測fMRI時系列を達成した(コントロールでは0.55、患者では0.27)。 標準グランガー因果関係はモデル間に明確な定量的な違いは示さなかったが、基礎モデルは因果相互作用をより正確に検出した。 これらの結果から, 基礎モデルは, 時系列データの予測と因果的発見に, 汎用性, 強力なゼロショット性能, 潜在的有用性を提供する可能性が示唆された。

関連論文リスト

• Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
  本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。 具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。 有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
  論文  参考訳（メタデータ） (2025-07-11T03:11:15Z)
• NeuronTune: Towards Self-Guided Spurious Bias Mitigation [26.544938760265136]
  ディープニューラルネットワークは、しばしば急激な偏見、非本質的な特徴と予測のためのクラスの間の相関に依存する。 既存の緩和アプローチは典型的には、緩やかな相関の外部アノテーションに依存している。 本稿では,モデルの内部決定プロセスに直接介入するポストホック法であるNeuronTuneを提案する。
  論文  参考訳（メタデータ） (2025-05-29T22:33:00Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Distinguishing Cause from Effect with Causal Velocity Models [3.0523869645673076]
  本研究では,加法や位置スケールノイズなどの既知のモデルクラスを超えて,因果発見を行う手法を開発した。 スコアが適切に推定された場合、その目的はまた、モデルの非識別性や不特定性を検出するのにも有用である。
  論文  参考訳（メタデータ） (2025-02-07T17:50:14Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
  本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。 我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
  論文  参考訳（メタデータ） (2022-02-23T03:26:22Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。