論文の概要: Deep Learning Inductive Biases for fMRI Time Series Classification during Resting-state and Movie-watching

• arxiv url: http://arxiv.org/abs/2509.16973v1
• Date: Sun, 21 Sep 2025 08:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.061227
• Title: Deep Learning Inductive Biases for fMRI Time Series Classification during Resting-state and Movie-watching
• Title（参考訳）: 静止状態と映画視聴時のfMRI時系列分類のためのディープラーニング誘導バイアス
• Authors: Behdad Khodabandehloo, Reza Rajimehr,
• Abstract要約: 我々は、CNN、長期記憶ネットワーク(LSTM)、トランスフォーマーを含むディープラーニングにおける3つの大きな帰納バイアスモデルと比較する。 CNNは、休息状態と映画視聴の両方において、性分類の最も高い差別を一貫して達成した。 その結果, このデータセットサイズでは, 局所的な空間パターンと地域間依存関係によって識別情報が伝達されることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has advanced fMRI analysis, yet it remains unclear which architectural inductive biases are most effective at capturing functional patterns in human brain activity. This issue is particularly important in small-sample settings, as most datasets fall into this category. We compare models with three major inductive biases in deep learning including convolutional neural networks (CNNs), long short-term memory networks (LSTMs), and Transformers for the task of biological sex classification. These models are evaluated within a unified pipeline using parcellated multivariate fMRI time series from the Human Connectome Project (HCP) 7-Tesla cohort, which includes four resting-state runs and four movie-watching task runs. We assess performance on Whole-brain, subcortex, and 12 functional networks. CNNs consistently achieved the highest discrimination for sex classification in both resting-state and movie-watching, while LSTM and Transformer models underperformed. Network-resolved analyses indicated that the Whole-brain, Default Mode, Cingulo-Opercular, Dorsal Attention, and Frontoparietal networks were the most discriminative. These results were largely similar between resting-state and movie-watching. Our findings indicate that, at this dataset size, discriminative information is carried by local spatial patterns and inter-regional dependencies, favoring convolutional inductive bias. Our study provides insights for selecting deep learning architectures for fMRI time series classification.
• Abstract（参考訳）: ディープラーニングには高度なfMRI分析があるが、どのアーキテクチャ誘導バイアスが人間の脳活動における機能的パターンを捉えるのに最も効果的かは不明だ。 この問題は、ほとんどのデータセットがこのカテゴリに該当するため、特に小さなサンプル設定で重要である。 我々は、進化型ニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)、生物学的性分類のためのトランスフォーマーを含む、ディープラーニングにおける3つの大きな帰納バイアスモデルを比較した。 これらのモデルは,Human Connectome Project (HCP) 7-Teslaコホートから得られる多変量fMRI時系列を用いて,統一パイプライン内で評価される。 本研究は,全脳,副脳,12機能ネットワークの性能評価を行う。 CNNは、静止状態と映画視聴の両方において、性分類の最も高い差別を一貫して達成し、LSTMとトランスフォーマーモデルはパフォーマンスが低かった。 ネットワーク解決分析の結果,全脳,デフォルトモード,Cingulo-Opercular,Dorsal Attention,Frontoparietalネットワークが最も識別性が高いことがわかった。 これらの結果は、主に静止状態と映画視聴に類似していた。 その結果, このデータセットサイズでは, 局所的な空間パターンと地域間依存関係によって識別情報が伝達され, 畳み込み誘導バイアスが好まれることが示唆された。 本研究では,fMRI時系列分類のためのディープラーニングアーキテクチャを選択するための知見を提供する。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Heterogeneous Recurrent Spiking Neural Network for Spatio-Temporal Classification [13.521272923545409]
  Spi Neural Networksは、人工知能の第3波の脳にインスパイアされた学習モデルとしてしばしば評価される。 本稿では,ビデオ認識タスクのための教師なし学習を用いたヘテロジニアススパイキングニューラルネットワーク(HRSNN)を提案する。 本研究では,時間的バックプロパゲーション訓練による教師付きSNNに類似した性能を実現することができるが,少ない計算量で実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-22T16:34:01Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Incorporating Learnable Membrane Time Constant to Enhance Learning of Spiking Neural Networks [36.16846259899793]
  スパイキングニューラルネットワーク(SNN)は、時間的情報処理能力、消費電力の低さ、高い生物学的信頼性により、膨大な研究関心を集めている。 既存の学習方法はウェイトのみを学習し、単一のスパイキングニューロンのダイナミクスを決定する膜関連パラメータを手動でチューニングする必要がある。 本稿では,脳の領域で膜関連パラメータが異なることの観察から着想を得て,シナプス重みだけでなく,SNNの膜時間定数も学習可能なトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-11T14:35:42Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• Stochastic encoding of graphs in deep learning allows for complex analysis of gender classification in resting-state and task functional brain networks from the UK Biobank [0.13706331473063876]
  我々は,機能的コネクトームを性別別に分類するために,CNNのアンサンブルに符号化手法を導入する。 課題と休息状態に関わる3つの脳ネットワークとその相互作用の塩分濃度を測定した。
  論文  参考訳（メタデータ） (2020-02-25T15:10:51Z)
• Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and Other Tasks [0.1160208922584163]
  我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。 ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
  論文  参考訳（メタデータ） (2020-02-14T17:28:16Z)

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。