論文の概要: ABFR-KAN: Kolmogorov-Arnold Networks for Functional Brain Analysis

• arxiv url: http://arxiv.org/abs/2601.00416v1
• Date: Thu, 01 Jan 2026 18:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.432032
• Title: ABFR-KAN: Kolmogorov-Arnold Networks for Functional Brain Analysis
• Title（参考訳）: ABFR-KAN:Kolmogorov-Arnold Networks for functional Brain Analysis
• Authors: Tyler Ward, Abdullah Imran,
• Abstract要約: 機能的接続性(FC)分析は、コンピュータ支援脳疾患の診断に有用なツールである。 本稿では,新しい脳機能表現要素を組み込んだトランスフォーマーに基づく分類ネットワークであるABFR-KANを提案する。 ABIDE Iデータセットの実験では、ABFR-KANはASD分類の最先端ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.790660895390689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional connectivity (FC) analysis, a valuable tool for computer-aided brain disorder diagnosis, traditionally relies on atlas-based parcellation. However, issues relating to selection bias and a lack of regard for subject specificity can arise as a result of such parcellations. Addressing this, we propose ABFR-KAN, a transformer-based classification network that incorporates novel advanced brain function representation components with the power of Kolmogorov-Arnold Networks (KANs) to mitigate structural bias, improve anatomical conformity, and enhance the reliability of FC estimation. Extensive experiments on the ABIDE I dataset, including cross-site evaluation and ablation studies across varying model backbones and KAN configurations, demonstrate that ABFR-KAN consistently outperforms state-of-the-art baselines for autism spectrum distorder (ASD) classification. Our code is available at https://github.com/tbwa233/ABFR-KAN.
• Abstract（参考訳）: コンピュータ支援脳障害診断のための貴重なツールである機能接続解析(FC)は、伝統的にアトラスによるパーセレーションに依存している。 しかし、選択バイアスや主観的特異性への配慮の欠如に関する問題は、このようなパーセレーションの結果として生じる可能性がある。 そこで我々は,新しい脳機能表現コンポーネントをコルモゴロフ・アルノルドネットワーク(KAN)の力で組み込んだトランスフォーマーに基づく分類ネットワークABFR-KANを提案し,構造バイアスを緩和し,解剖学的適合性を改善し,FC推定の信頼性を高める。 ABFR-KANは、様々なモデルバックボーンやKAN構成のクロスサイト評価やアブレーション研究を含む、ABIDE Iデータセットの広範な実験により、自閉症スペクトラムのディトラクション(ASD)分類における最先端のベースラインを一貫して上回っていることを示した。 私たちのコードはhttps://github.com/tbwa233/ABFR-KANで公開されています。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Atlas-free Brain Network Transformer [7.285780699359608]
  我々は、新しいアトラスフリー脳ネットワークトランス(アトラスフリーBNT)を提案する。 提案手法は,標準化されたボクセルベースの機能空間におけるROI-to-voxel接続性を計算する。 本手法は脳ネットワーク解析の精度,堅牢性,一般化性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-09-30T18:57:02Z)
• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• A Unified Benchmark of Federated Learning with Kolmogorov-Arnold Networks for Medical Imaging [1.0450509067356146]
  Kolmogorov-Arnold Networks (KAN) はFederated Learning (FL) を効果的に置き換えることができる Kanは、分散医療におけるプライバシー保護医療画像アプリケーションのための、有望な代替手段だ。
  論文  参考訳（メタデータ） (2025-04-28T09:53:05Z)
• Improving Brain Disorder Diagnosis with Advanced Brain Function Representation and Kolmogorov-Arnold Networks [0.09668407688201358]
  自閉症スペクトラム障害(ASD)の診断に有効な脳機能表現を用いた新しいトランスフォーマーベース分類ネットワーク(ABFR-KAN)を提案する。 ABFR-KANはKolmogorov-Arnold Network(KAN)ブロックを活用し、従来のマルチ層パーセプトロン(MLP)コンポーネントを置き換える。
  論文  参考訳（メタデータ） (2025-04-04T20:42:06Z)
• GCAN: Generative Counterfactual Attention-guided Network for Explainable Cognitive Decline Diagnostics based on fMRI Functional Connectivity [1.3426127666129704]
  軽度認知障害 (MCI) と主観的認知低下 (SCD) の fMRI 機能接続 (FC) による診断が盛んである。 ほとんどのFCベースの診断モデルは、カジュアルな推論を欠いたブラックボックスであるため、認知低下のFCベースの神経バイオマーカーに関する知識にはほとんど寄与しない。 本稿では,認知低下関連脳領域の認識に反実的推論を導入するGCAN(Generative counterfactual attention-guided Network)を提案する。
  論文  参考訳（メタデータ） (2024-03-04T06:24:24Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Co-Saliency Detection with Co-Attention Fully Convolutional Network [47.26829884104539]
  共塩分検出は、関連した画像のグループから一般的な塩分物を検出することを目的としている。 我々は、コアテンションFCN(CA-FCN)と呼ばれる、コアテンションモジュール組み込みFCNフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-20T11:52:40Z)

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。