論文の概要: The Human Brain as a Combinatorial Complex

• arxiv url: http://arxiv.org/abs/2511.20692v1
• Date: Sat, 22 Nov 2025 19:04:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.75429
• Title: The Human Brain as a Combinatorial Complex
• Title（参考訳）: コンビニアルコンプレックスとしての人間の脳
• Authors: Valentina Sánchez, Çiçek Güven, Koen Haak, Theodore Papamarkou, Gonzalo Nápoles, Marie Šafář Postma,
• Abstract要約: 現在のグラフベースの脳ネットワークの表現は、神経の複雑さを特徴づける高次の依存関係を見逃している。 本稿では,fMRI時系列データから複合体(CC)を構築するためのフレームワークを提案する。 この研究は、従来のグラフ手法では見えない、基本的な高次構造を保存する脳ネットワーク表現のためのフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 3.849079578881503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a framework for constructing combinatorial complexes (CCs) from fMRI time series data that captures both pairwise and higher-order neural interactions through information-theoretic measures, bridging topological deep learning and network neuroscience. Current graph-based representations of brain networks systematically miss the higher-order dependencies that characterize neural complexity, where information processing often involves synergistic interactions that cannot be decomposed into pairwise relationships. Unlike topological lifting approaches that map relational structures into higher-order domains, our method directly constructs CCs from statistical dependencies in the data. Our CCs generalize graphs by incorporating higher-order cells that represent collective dependencies among brain regions, naturally accommodating the multi-scale, hierarchical nature of neural processing. The framework constructs data-driven combinatorial complexes using O-information and S-information measures computed from fMRI signals, preserving both pairwise connections and higher-order cells (e.g., triplets, quadruplets) based on synergistic dependencies. Using NetSim simulations as a controlled proof-of-concept dataset, we demonstrate our CC construction pipeline and show how both pairwise and higher-order dependencies in neural time series can be quantified and represented within a unified structure. This work provides a framework for brain network representation that preserves fundamental higher-order structure invisible to traditional graph methods, and enables the application of topological deep learning (TDL) architectures to neural data.
• Abstract（参考訳）: 本稿では,情報理論,トポロジカルディープラーニング,ネットワーク神経科学などを通じて,一対の神経相互作用と高次神経相互作用を捉えるfMRI時系列データから組合せコンプレックス(CC)を構築するためのフレームワークを提案する。 脳ネットワークの現在のグラフベースの表現は、神経の複雑さを特徴づける高次の依存関係を体系的に見逃している。 関係構造を高階領域にマッピングするトポロジカルリフトアプローチとは異なり,本手法は統計的依存関係から直接CCを構成する。 我々のCCは、脳領域間の集合的依存関係を表す高階細胞を組み込むことでグラフを一般化し、自然にニューラルネットワークのマルチスケール、階層的な性質を調節する。 このフレームワークは、FMRI信号から計算されたO情報とS情報を用いて、データ駆動複合体を構築し、相乗的依存関係に基づいて、ペア接続と高次セル(例えば、三重項、四重項)の両方を保存する。 制御された概念実証データセットとしてNetSimシミュレーションを用いて、CC構築パイプラインを実演し、ニューラル時系列におけるペアと高階の依存関係を定量化し、統一された構造内でどのように表現できるかを示す。 この研究は脳ネットワーク表現のためのフレームワークを提供し、従来のグラフ手法では見えない基本的な高次構造を保存し、トポロジカルディープラーニング(TDL)アーキテクチャをニューラルネットワークに適用することを可能にする。

関連論文リスト

• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
  本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。 本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
  論文  参考訳（メタデータ） (2023-11-06T20:58:07Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• Topological Deep Learning: Going Beyond Graph Data [26.325857542512047]
  我々は、広く採用されている位相領域を含むよりリッチなデータ構造の上に構築された統一的な深層学習フレームワークを提案する。 具体的には、新しいタイプのトポロジカルドメインであるコンプレックスを導入する。 我々は、主に注意に基づくCCNNに焦点を当てた、メッセージパッシング複合ニューラルネットワーク(CCNN)のクラスを開発する。
  論文  参考訳（メタデータ） (2022-06-01T16:21:28Z)
• Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
  我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。 この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。 本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-11-17T03:37:06Z)
• 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)
• A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
  神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。 構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-14T15:01:21Z)

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。